通过监督对比学习实现强大的欺诈检测

Aug, 2023

通过监督对比学习实现强大的欺诈检测

Robust Fraud Detection via Supervised Contrastive Learning

Vinay M.S., Shuhan Yuan, Xintao Wu

TL;DR为了解决开放式欺诈检测的挑战，我们提出了一种名为 ConRo 的鲁棒监督对比学习框架，它在只有少量具有有限多样性的恶意会话可用的情况下进行操作。通过采用有效的数据增强策略生成多样的潜在恶意会话，并利用这些生成的和可用的训练集会话，ConRo 通过利用监督对比学习得出与开放式欺诈检测任务相关的可分离表示。在基准数据集上对我们的 ConRo 框架和其他最先进的基线进行了实证评估，结果显示 ConRo 框架相对于最先进的基线具有显著的性能提升。

Abstract

deep learning models have recently become popular for detecting malicious user activity sessions in computing platforms. In many real-world scenarios, only a few labeled malicious and a large amount of normal sessions are available. These few labeled malicious sessions usually do not c

deep learning models malicious user activity supervised contrastive learning fraud detection performance improvement

发现论文，激发创造

对比学习用于转化率预测

本文提出了一种基于对比学习的 CV R 预测框架，使用大量无标签数据学习更好的数据表示，改善预测性能。通过嵌入掩蔽、虚假否定排除和监督正样本包含等方法，削弱了数据稀疏性的限制，实验证明其在真实世界的转化数据集上具有优越表现。

Jul, 2023

对抗性自监督对比学习

本文提出一种新的对未标记数据的敌对攻击方法，并提出了一种自监督对比学习框架来实现无标记数据的敌对训练，旨在最大化数据样本的随机扩增和其实例级对抗扰动之间的相似度。我们在多个基准数据集上验证了我们的方法，发现它在鲁棒精度方面与最先进的有监督敌对学习方法相当，并且对于黑盒和未知类型的攻击具有显着的提高鲁棒性。此外，通过进一步联合微调有监督对抗损失，我们的方法可以获得更高的鲁棒精度，特别是在鲁棒迁移学习方面取得了令人瞩目的结果。

Jun, 2020

通用人脸伪造检测的对比学习

文章提出了一种名为 Dual Contrastive Learning (DCL) 的新颖人脸伪造检测框架，该框架结合了硬样本选择策略和不同粒度的对比学习，并通过构建正负对数据从而学习通用特征表示。实验结果表明了我们方法的泛化性能超越了现有技术水平。

Dec, 2021

遮蔽对比学习用于异常检测

本文提出了一种基于自我监督学习方法的特定任务变体对比学习称为 “遮蔽对比学习”，其更适用于异常检测，并提出了一种自我集成推断方法，通过利用辅助自我监督任务学习的能力进一步提高模型性能，在各种基准数据集上的表现显著超过以往的最先进方法。

May, 2021

置换聚类分配的对抗性对比学习

本文提出一种名为 SwARo 的对抗性对比学习框架，结合聚类分配和实例感知对抗样本生成以提高语义相似性和计算效率，并在多个基准数据集上进行评估，获得了与最先进的基线相比的一致改进。

Apr, 2022

通过对比学习缓解人工和计算机意见欺诈

本文介绍了检测协同过滤推荐系统中虚假文本评论的新方法。我们提出了一种基于对比学习的体系结构，利用用户人口特征以及文本评论作为对抗虚假评论的额外证据，从而使推荐系统更加健壮。该方法能够应对两种不同类型的虚假评论（由语言模型生成的虚假评论和由不诚实用户撰写的评论），并且能够减少偏见评论的影响。

Jan, 2023

CORE: 人脸篡改检测中的一致性表示学习

针对人脸篡改技术的面部伪造检测方法，提出了一种用于增强不同表现形式下的一致性的学习框架（CORE），该框架基于卷积神经网络，通过正则化追求更一致的表示以进行更准确的伪造检测。

Jun, 2022

MaskCon：用于粗标签数据集的掩蔽对比学习

提出了一种名为 Masked Contrastive learning (MaskCon) 的对比学习方法，用于解决使用粗标签数据集来解决细标签问题的问题。该方法利用了不同样本之间的相互关系和粗标签信息，生成软标签。在多个数据集上实验表明该方法超过了现有的最先进的方法。

Mar, 2023

CL-Flow：通过对比学习加强归一化流以实现更好的异常检测

我们提出了一种自监督异常检测方法，结合对比学习和 2D-Flow，以实现更精确的检测结果和更快的推理过程。与主流的无监督方法相比，我们的方法展示了优越的检测准确度、更少的额外模型参数和更快的推理速度，整个训练和推理过程都是端到端的。

Nov, 2023

对比多人脸鉴定：一种用于多人脸伪造检测的端到端双粒度对比学习方法

本文提出了一种新的端到端的框架 Contrastive Multi-FaceForensics (COMICS)，通过双粒度对比学习方法，在多脸伪造检测方面取得了显著的性能提升，并显示了与其他对手方法相比较大的潜力，适用于多种架构。

Aug, 2023