信用卡欺诈检测是金融领域的一个重要挑战，需要使用先进的方法准确识别欺诈交易。本研究提出了一种创新的方法，将神经网络（NN）和合成少数类过采样技术（SMOTE）结合起来，以提高识别性能。该研究解决了信用卡交易数据中存在的不平衡问题，专注于技术的进步，用于强大而准确的欺诈检测。结果表明，相比传统模型，NN 和 SMOTE 的整合在精确度、召回率和 F1 得分方面表现出优越性，凸显其作为处理不平衡数据集的信用卡欺诈检测场景中的先进解决方案的潜力。本研究为开发有效和高效的机制来保护金融交易免受欺诈活动的努力做出了贡献。

Feb, 2024

本研究着重研究使用机器学习检测银行信用卡欺诈的可扩展性。我们比较了现有的机器学习算法和方法与新提出的技术，并证明采用较少的比特数来训练机器学习算法将导致一个更具可扩展性，时间和成本更少的系统。

Jun, 2022

本文提出了一种基于自适应采样和聚合的图神经网络 (ASA-GNN)，通过邻居采样策略和邻居多样性度量，在交易数据中学习判别表示以提高欺诈检测的性能，实验结果表明该方法优于现有的其他方法。

Jul, 2023

通过使用最新的 Transformer 模型进行数据处理和高度相关向量选择，本研究致力于创新应用于更可靠和精确的欺诈检测，通过与多个广泛采用的模型进行性能比较，包括支持向量机（SVM），随机森林，神经网络和逻辑回归等，比较指标如 Precision，Recall 和 F1 Score，结果表明 Transformer 模型在传统应用中表现出色，并在欺诈检测等领域展示了巨大潜力，为该领域带来实质性进展。

Jun, 2024

本研究针对深度学习在对抗性环境下的鲁棒性和预测不可解释性等问题，通过将 k-NN 算法与深度学习结合，提出了一种名为 DkNN 的混合分类器，它可以为输入数据提供信心估计和人类可解释的预测解释。实验证明，DkNN 算法可以准确识别模型外部的输入，同时提供直观和有用的模型失败解释。

Mar, 2018

本论文研究了信用卡欺诈检测的难点 - 数据集不平衡的问题，采用随机森林算法和合成少数过采样技术（SMOTE）以提高欺诈检测的准确性，在信用卡交易数据集上实验，成功实现了欺诈检测的 98% 准确率。

Mar, 2023

本文介绍了一种最先进的混合集成可靠的机器学习模型，利用多个算法与合理的加权优化（使用网格搜索）智能结合，包括决策树、随机森林、K - 最近邻、多层感知器，以提高欺诈识别能力。该模型在公开可用的信用卡数据集上的实验中取得了令人印象深刻的准确率，分别为 99.66%、99.73%、98.56% 和 99.79%，集成模型达到了完美的 100%。该混合集成模型优于现有的作品，为高频情况下检测欺诈交易建立了新的基准，突出了该方法的有效性和可靠性，展示了其在实际欺诈检测应用中的卓越潜力。

Feb, 2024

本文研究了信用卡欺诈检测的问题，提出了一些主动学习的策略，并比较了不同的查询标准，强调了在欺诈检测中主动学习存在探索 / 开发的权衡。

Apr, 2018

本文介绍了一种名为 CaT-GNN 的新型信用卡欺诈检测方法，该方法利用因果不变性学习揭示了交易数据中的内在相关性，并通过发现和干预阶段将问题分解，通过识别事务图中的因果节点并应用因果混合策略来提高模型的鲁棒性和可解释性。实验结果表明，CaT-GNN 在多个数据集上表现出超过现有最先进方法的优越性能，突显了将因果推理与图神经网络相结合以提高金融交易中的欺诈检测能力的潜力。

Feb, 2024

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