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

研究介绍了使用联邦学习和可解释的人工智能的新方法来解决金融机构在欺诈检测方面面临的挑战，该方法能够在保护数据隐私的同时提高检测系统的性能，并具备透明性和可解释性。

Dec, 2023

本研究通过使用遮挡敏感性方法，对二元和多类别分类的入侵检测任务中的各种机器学习模型进行了分析，使用相同的数据集。我们发现，大多数分类器仅利用少于三个关键特征就能实现高准确性，表明有效的特征工程对于入侵检测可能比应用复杂模型更为重要。我们还发现，在准确性、时间效率和鲁棒性方面，随机森林提供了最佳性能。

Jun, 2024

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

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

通过机器学习算法对冠心病风险进行分类，本研究开发了一种数据平衡和增强方法，提高了诊断准确性，对样本数量较少和数据不平衡的情况特别适用。实验结果显示，本方法的平均预测准确率为 95.36%，高于随机森林、决策树、支持向量机、逻辑回归和人工神经网络。

Aug, 2023

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

本研究运用因果推断的原理解决分析顾客关系管理问题（ACRM）的可解释性，并提出改变 ACRM 数据集功能的干预解决方案，进而获得一组反事实证明的质量良好的数据。

Aug, 2022

利用 XGBoost 和 LightGBM 等机器学习模型，通过应用先进的机器学习模型和数据处理技术，本研究开发了一种更准确、更稳健的支付安全保护模型，有效提升了交易欺诈预防的能力。

Jun, 2024