May, 2023

利用无性繁殖优化算法进行信用卡欺诈检测

PDF
TL;DR本文介绍了一个基于有性繁殖优化方法，即 ARO，结合机器学习实现的信用卡欺诈检测系统，相较其他方法，ARO 方法大大降低了训练时间，提高了欺诈检测中的召回率，可用于实时系统。
credit card fraudmachine learningsupervised methodasexual reproduction optimizationreal-time system
发现论文，激发创造
  • 使用预训练网络进行完全无监督的视觉检查的数据细化

    本文研究使用深度预训练神经网络提取特征的传统离群值检测技术在 MVTec Anomaly Detection 数据集上交出的出色成绩在全无监督场景下的鲁棒性，提出了一种简单的单类分类策略（SROC），并证明其在与现有文献中更复杂的策略竞争时具有更好的性能。

    Feb, 2022

  • 基于半监督学习的人脸反欺诈通用方法

    本文提出了一种利用无监督预训练改进性能的方法，介绍了 Entry Antispoofing 数据集来进行监督微调，并提出了一种多类别辅助分类层，以增强检测欺骗企图的二进制分类任务，实现了在多个数据集上的最新结果。

    Jun, 2022

  • AutoOD: 通过好奇心引导搜索和自我模仿学习实现自动异常检测

    本文提出一种自动离群点检测框架 AutoOD，采用基于好奇心的搜索策略和自我模仿学习的经验重播机制，在预定义的搜索空间内寻找最优神经网络模型，实验结果表明，与现有手工模型和传统搜索方法相比，AutoOD 找到的深度学习模型表现最佳。

    Jun, 2020

  • RUAD: 针对 HPC 系统的无监督异常检测

    该研究提出了一种基于长短期记忆单元的 RUAD 模型来解决高性能计算系统中异常检测的无监督学习问题，该模型通过考虑数据中的时间依赖性显著提高了半监督和无监督状态下的 AUC 性能表现。

    Aug, 2022

  • 免接触指纹生物特征反欺骗：一种无监督深度学习方法

    我们提出了一种创新的反欺骗方法，将无监督自编码器与卷积块注意模块相结合，以解决现有方法的局限性，并具有有效推广性。我们的模型仅在真实图像上进行训练，未接触任何伪造样本，在测试阶段用于评估各种类型的展示攻击图像。我们的方案在涉及各种类型伪造样本的展示攻击中，实现了平均 BPCER 为 0.96％，APCER 为 1.6％。

    Nov, 2023

  • AnoRand: 随机标注的半监督深度学习异常检测方法

    文章提出了一种新的基于深度学习与随机合成标签生成相结合的半监督异常检测方法 AnoRand，采用自编码器和噪声检测技术，生成一定比例的合成异常样本，并在合成和真实数据集上进行了实验，结果表明该方法优于大多数无监督和有监督算法。

    May, 2023

  • 提高深假脸检测器的跨数据集泛化能力

    本研究使用深度强化学习与卷积神经网络相结合，设计了一种新的深度伪造检测算法，通过统计每张测试图像的各种增强方法的分类分数来检测深度伪造的图片，实验证明该方法在跨数据集的泛化性能方面优于现有的模型，并获得最先进的性能。

    Apr, 2022

  • 提高样本外检测的三个因素

    通过引入自我知识蒸馏损失、采样半难例离群数据和使用监督对比学习，我们的方法在分类准确性和离群检测性能之间取得平衡，同时提高了两个性能指标。

    Aug, 2023

  • 自适应类别重平衡半监督目标检测自训练

    本文研究了半监督目标检测（SSOD）以提高检测器性能，通过自训练和数据重平衡缓解了 SSOD 中的类别不平衡问题，利用单个百分点标注数据在 MS-COCO 数据集上获得了显著的性能改进。

    Jul, 2021

  • RODD: 自监督方法用于强健的越界检测

    该论文提出了一种简单且有效的基于自我监督对比学习的无关数据集的广义异常检测方法，该方法在一系列基准数据集上的表现优于现有技术，特别是在 CIFAR-100 数据集上的假阳性率（FPR@95）比 SOTA 方法低了 26.97％。

    Apr, 2022