WWWJan, 2022

使用层次化可解释网络对用户行为序列进行建模，实现跨领域欺诈检测

PDF
TL;DR本文提出了一种基于分层可解释网络和迁移学习框架的跨域电子商务欺诈检测方法，该方法以用户的时序行为历史数据为基础，不仅能够提高欺诈检测的性能，同时还能够使推理过程可解释。同时，它也能够通过在已有域中转移知识来应对新的领域中数据收集的限制，并且将此通用的迁移框架拓展到不同的现有模型中，适用于各种交嵌多层感知机。
发现论文，激发创造
  • 可解释的深度行为序列聚类技术用于交易欺诈检测

    本文提出了一种基于深度学习的行为数据表征方法，用于集群并检测金融服务领域中的欺诈性交易。该方法将点击流数据视为事件序列，并使用基于时间注意力的双向 LSTM 以无监督的方式学习序列嵌入，与风险专家生成的直观特征结合，形成混合特征表征。利用工程优化的 GPU 加速算法，该方法能够在几分钟内对亿万级交易进行聚类并检测欺诈交易。实验结果表明，该方法能够捕捉到漏报的欺诈性交易，并可应用于实时欺诈检测。

    Jan, 2021

  • Attention 机制在欺诈检测中的图动态建模

    本研究提出了动态异构图神经网络及其变体 DyHGN，使用商业交易数据来构建动态异构图，并使用模型解释技术来理解 DyHGN-* 模型的行为，其发现表明建模带异构输入的图动态行为需要依赖于数据结构、分布和计算成本的 “关注”。

    Apr, 2022

  • HENIN: 在社交媒体上学习异质神经相互作用网络用于可解释的网络欺凌检测

    提出了一种深度学习模型 HEterogeneous Neural Interaction Networks (HENIN)，用于社交媒体中的可解释网络欺凌检测，其包含评论编码器、帖子 - 评论共注意力子网络以及会话 - 会话以及帖子 - 帖子交互提取器。在真实数据集上的实验表明了 HENIN 的优越性能及其突出的可解释性。

    Oct, 2020

  • 使用 GRU 中心三明治结构模型进行交易欺诈检测

    研究了一个新的 “内部 -> 之间 -> 内部” 三明治结构的序列学习架构，通过堆叠集成方法、深度顺序学习方法和另一个顶层集成分类器来提高欺诈检测目的的性能，同时引入了注意机制来进一步提高分类效果。

    Nov, 2017

  • SEFraud：基于图解释掩码学习的自解释欺诈检测

    提出 SEFraud，一种新颖的基于图的自解释欺诈检测框架，通过利用可学习的特征掩码和边缘掩码，从信息丰富的异构类型交易中学习表达能力强的表示，采用新的三元组损失增强掩码学习的性能，演示了的效果。在中国工商银行的生产环境中部署并提供可解释的欺诈检测服务，结果与专业人员的业务理解相一致，确认了它在大规模在线服务中的高效性和适用性。

    Jun, 2024

  • 基于神经网络的分层因子分解机用于用户事件序列分析

    本文关注于利用两层结构对用户事件序列建模，旨在解决仅关注特征交互或者只注意序列信息而导致性能缺陷的问题，实验证明该模型相比现有技术具有显著的性能提升。

    Dec, 2021

  • 使用深度学习和马尔可夫转移场进行的在线欺诈检测中的序列行为数据处理

    本论文提出了基于 RNN 和 MTF 结构的深度学习框架，利用客户在网站或智能手机应用程序上的交互行为序列进行在线欺诈行为预测。实验结果表明，相较于多层感知机网络和动态时间规整距离法作为距离度量的距离分类器，该网络结构可显著提高欺诈预测性能。

    Aug, 2018

  • 运用多透视隐马尔可夫模型实现信用卡欺诈检测自动化特征工程

    使用多个透镜 (Hidden Markov Model) 和随机森林 (Random Forest classifier) 的多视图特征工程方法，以检测信用卡欺诈，可提供具有更高检测率的特征集，具有与专家基于特征工程策略相比的优势。

    Sep, 2019

  • DHEN: 用于大规模点击率预测的深度和分层集成网络

    DHEN 是一种深度和分层集成架构，可以利用异构交互式模块的优势，并以不同顺序学习交互作用的层次结构。在大规模的 CTR 预测任务中进行的实验表明，DHEN 的效果很好，达到了预测的标准化熵（NE）提升了 0.27％，训练吞吐量比现有技术基准提高了 1.2 倍。

    Mar, 2022

  • 一种半监督图注意力网络用于金融欺诈检测

    本文介绍了一种利用多视图网络结构、半监督学习和分层注意力机制的图神经网络，用于在支付宝用户中进行欺诈检测，并实现比现有方法更为准确的预测，并且提供了可解释的结果。

    Feb, 2020