Jun, 2022

使用 Bfloat 16 在信用卡欺诈检测中训练机器学习算法以增加可扩展性的新方法

PDF
TL;DR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。
credit cardsfraud detectionmachine learningscabilitycost-effective
发现论文，激发创造
  • 基于深度神经网络和 K - 最近邻的信用卡欺诈检测组合

    该论文介绍了一种基于欠采样算法、K 最近邻算法和深度神经网络的新技术，用于识别信用卡欺诈交易，并通过表现评估表明，DNN 模型具有高精度（98.12%），具有较好的欺诈交易检测能力。

    May, 2022

  • 使用增强随机森林分类器检测不平衡数据中的信用卡欺诈

    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

  • 使用先进的 Transformer 模型进行信用卡欺诈检测

    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

  • 提升信用卡欺诈检测的神经网络与 SMOTE 集成方法

    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

  • SCARFF：使用 Spark 进行可扩展的流式信用卡欺诈检测框架

    本文介绍了一种利用大数据工具（Kafka、Spark 和 Cassandra）和机器学习方法集成处理欺诈检测的框架 SCARFF。在真实的信用卡交易大数据集上进行实验，结果表明该框架能够有效地处理交易流，并且具有高扩展性和准确性。

    Sep, 2017

  • 基于流式主动学习策略的信用卡实时欺诈检测：评估与可视化

    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

  • 基于子空间学习的一类分类的信用卡欺诈检测

    利用基于子空间学习的 OCC 算法来处理信用卡欺诈检测的挑战，解决数据高度不平衡和维度灾难问题，减少欺诈交易带来的财务损失。

    Sep, 2023

  • 基于同态加密的隐私保护信用卡欺诈检测

    本文提出了一种使用同态加密进行私密欺诈检测的系统，在使用明文数据训练完 XGBoost 和神经网络后，将其转换为同态加密模型用于私有推断，比较两种模型的延迟、存储和检测结果，并探讨部署的可行性和应用案例。

    Nov, 2022

  • 可解释人工智能与基于因果推断的 ATM 诈骗检测

    使用机器学习技术和过采样技术来识别银行 ATM 诈骗交易，并引入可解释的人工智能和因果推断来进行进一步研究。

    Nov, 2022

  • 基于 GAN 的数据增强解决类别不平衡问题

    在信用卡欺诈检测中，机器学习被广泛运用，但因为样本集类别分布存在不平衡，这可能导致模型预测全部为多数类别而无法推广到真实情况。因此，我们使用生成对抗网络来生成一些少数类别虚拟数据，以缓解类别分布不平衡问题，从而更有效地学习数据。

    Jun, 2022