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

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

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

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

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

在这项研究中，我们提出了一种改进的平衡随机森林分类器 (iBRF)，通过混合采样技术来平衡不均匀的类别分布，在解决不平衡分类任务时取得了比其他采样技术更好的预测性能。

Mar, 2024

本文使用不同大小和类别分布的数据集评估 XGBoost 在欺诈检测中的性能，并提出了数据准备管道和比较，发现随机搜索微调对大型数据集有一致的改进，但对于中小型数据集则不是如此。在数据不平衡的情况下，训练集平衡化并不能提供一致的改进，因此未来的工作将包括对处理数据不平衡的不同技术以及评估其他方法的系统研究。

Mar, 2023

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

在这篇论文中，研究了类平衡对随机森林变量重要性的影响，并提出了一种利用随机森林变量重要性和置信区间的变量选择算法，在实验研究中表明该算法可以有效地选择最优特征集，改善类不平衡问题的预测性能。

Dec, 2023

本研究探讨了异常检测方法在不平衡学习任务中的应用，重点关注使用真实的在线信用卡支付数据进行欺诈检测。我们评估了几种最近的异常检测方法的性能，并与标准监督学习方法进行比较。我们的发现表明，LightGBM 在所有评估指标上表现明显优于其他方法，但对分布变化更敏感。此外，我们的调查还发现，LightGBM 也能够捕获大部分异常检测方法所发现的欺诈行为，这一观察挑战了使用集成方法结合监督学习和异常检测方法以提高性能的潜在益处。总之，本研究为这些技术在实际场景中的实用性提供了实质性的见解，展示了 LightGBM 在欺诈检测中的优势，并突显了与分布变化相关的挑战。

Dec, 2023