该研究通过机器学习方法来应对全球供应链面临的复杂性，从而提高供应链安全性。研究集中于通过欺诈检测、维护预测和物料缺货预测来增强供应链安全。引入一种自动化机器学习框架，优化数据分析、模型构建和超参数优化。研究指出了影响机器学习性能的关键因素，包括抽样方法、分类变量编码、特征选择和超参数优化。机器学习方法在处理大规模数据集和复杂模式时显示出优势，为供应链管理领域提供了有价值的贡献。

Jun, 2024

使用深度学习的方法对金融欺诈文本进行自然语言处理的二元分类任务，并且通过不同种类的神经网络模型，包括多层感知机、RNN、LSTM 和 GRU 等，进行了准确性比较，为金融欺诈检测领域提供了有价值的见解。

Aug, 2023

在不断数字化的过程中，组织必须应对检测异常情况的挑战，以揭示日益增长的数据中的可疑活动。为了追求这个目标，定期进行审计，内部审计员和采购专家不断寻找自动化这些过程的新方法。本研究提出了一种方法来优先处理从真实数据中检测到的两个大型采购数据集的案例调查，旨在增加公司控制工作的效力和提高执行此类任务的绩效。在使用无监督的机器学习技术检测异常之前，进行全面的探索性数据分析。通过 z-Score 指数和 DBSCAN 算法，应用单变量方法进行处理，而通过 k-Means 和 Isolation Forest 算法以及 Silhouette 指数，实施多变量分析，从而每种方法都提出了待审查的交易候选人。还提供了候选人的集成排序以及 LIME、Shapley 和 SHAP 等解释方法的建议，以帮助公司专家的理解。

May, 2024

电信行业因欺诈而在全球范围内损失了 463 亿美元。本文提出了一种工业化的解决方案，采用自适应数据挖掘技术和大数据技术来准确、高效和具有成本效益地检测欺诈，并发现新的欺诈模式。该解决方案已成功地检测出少于 5% 的虚假阳性的国际收入分成欺诈。本研究使用了一家有声望的批发运营商和海外电信中转运营商超过 1TB 的通话详单记录。

Oct, 2023

使用深度半监督异常检测技术 Deep SAD，本研究旨在评估其在高频金融数据中检测欺诈行为的有效性，通过利用蒙特利尔的 TMX 交易所的专有限价订单簿数据和少量真实标记的欺诈实例，我们证明将少量标记数据融入无监督异常检测框架可以极大提高其准确性。

Aug, 2023

对四个量子机器学习模型在金融欺诈检测中进行了比较研究，证明量子支持向量分类器模型在欺诈和非欺诈类别上取得了最高性能，F1 分数达到了 0.98。其他模型如变分量子分类器、估计量子神经网络（QNN）和采样器 QNN 展示了有前景的结果，推动了量子机器学习在金融应用中的潜力。虽然它们存在一定的限制，但所得到的见解为未来的改进和优化策略铺平了道路。然而，现存的挑战包括需求更高效的量子算法和更大更复杂的数据集。本文提供了克服当前限制的解决方案，并为量子机器学习在欺诈检测领域做出了新的贡献，对其未来发展具有重要意义。

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

通过机器学习算法，在两个公开数据集上进行实验分析，研究了如何检测和区分真假新闻，结果表明采用了三种分类器：被动型侵略性、朴素贝叶斯和支持向量机，这种方法具有良好的性能表现。

Jan, 2022

本文提出一种通过学习网络信息来检测有组织的保险欺诈行为的数据驱动程序，在阿里巴巴（Alibaba）上实现了超过 80% 的精度以及比以前的基于规则的分类器多覆盖 44％的可疑帐户，这个方法能够很容易地适用于其他类型的保险。

Feb, 2020

本研究提出了一种多模态推理框架 AutoFraudNet 用于检测保险欺诈，在现实数据集上进行广泛的实验，证明了 AutoFraudNet 在整合各种数据形式以提高性能方面的有效性。

Jan, 2023