Oct, 2023

利用 XAI 增强非法活动检测：多模态图 - LLM 框架

PDF
TL;DR我们提出了一种新颖的多模态主动方法来解决金融网络犯罪检测中的可解释性问题。我们利用深度学习模型从交易顺序、子图连接和叙述生成中提取关键表示，显著简化分析师的调查过程，并利用 LLM 生成传真来帮助分析师进一步理解交易和其元数据。
financial cybercrime preventiondeep learning modelsexplainabilityxainarrative generation
发现论文，激发创造
  • 透明和隐私：可解释人工智能和联邦学习在金融欺诈检测中的作用

    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

  • 加密货币交易网络中用于非法账号检测的高效多图神经网络

    我们研究了在线金融市场中越来越重要的加密货币交易网络上的非法账户检测。我们提出了 DIAM，这是一个新颖的多图神经网络模型，旨在有效地检测大型交易网络上的非法账户。通过将边属性和有向边序列依赖考虑在内，DIAM 自动学习了有效的节点表示，并利用多图拓扑结构采用了新的多图差异（MGD）模块，通过设计良好的消息传递机制捕捉正常和非法节点之间的差异特征，从而在大量实验证明 DIAM 在准确检测非法账户方面始终表现最佳，同时具有高效性。

    Sep, 2023

  • 一种高效的集成可解释人工智能（XAI）方法用于人脸混合检测

    本研究提出了一种名为 Ensemble XAI 的新型可视化解释方法，它整合了显著性地图、类激活映射和渐变 - 类激活映射，以提供更全面的可视化解释，用于预测输入是否为伪造的仿制品的深度学习预测模型。通过实验评估，该解释方法可以准确地说明深度学习模型的决策过程。

    Apr, 2023

  • 基于 XAI 的对抗攻击检测深伪检测器

    使用 XAI 作为一种新方法，通过生成可解释性地图来识别对深度伪造检测器的对抗攻击，进而开发出一种具有防御性的深度伪造检测器。

    Mar, 2024

  • 在线支付系统智能监管的可解释性多模态学习

    本文介绍一种基于人工智能技术的在线支付系统监管方案，用跨模态和内模态关注网络（CIAN）来研究文本和交易之间的关系，并提出 CIAN-Explainer 来解释机器学习模型的注意力机制如何作用于原始特征。实验证明，该方法在实际应用中具有价值和优越的性能表现。

    Jun, 2020

  • X-CBA: 解释能助力 CatBoosted Anomal-E 用于入侵检测系统

    使用深度学习和图神经网络构建的可解释入侵检测系统（IDS）提供了高精度的网络攻击和异常识别方案。该研究通过利用网络流数据，结合边属性，改进检测能力，适应新型威胁，并提供清晰可行的解释分析结果，以促进机器学习和深度学习技术在网络安全防御中的广泛应用。

    Feb, 2024

  • 可扩展的反洗钱图学习：首次研究

    该研究论文探讨了有组织犯罪对人类社会带来的巨大伤害，特别是针对金融领域的洗钱活动。研究者提出了一种新方法，使用大规模图形深度学习对涉嫌犯罪的金融数据进行犯罪活动监测，实验结果表明该方法具有很大的应用前景。

    Nov, 2018

  • 抓住我吧：半监督图学习以揭露洗钱活动

    本文提出一种半监督图学习方法，用于识别潜在的洗钱节点，实验结果表明该方法可以从真实和合成交易图中检测出洗钱活动。

    Feb, 2023

  • 比特币反洗钱：基于图卷积网络的金融取证实验

    本文介绍了反洗钱规定在维护金融系统安全方面扮演的关键角色，以及加密货币所引入的假名化和开放数据等新问题，同时提出使用分类算法和图方法来预测和控制非法交易，并分享了一个被标记的比特币交易数据集以供进一步研究。

    Jul, 2019

  • 基于领域驱动 XAI 方法的金融时间序列预测 AI 系统良好实践假设

    机器学习和深度学习在金融预测中越来越普遍，但是这些复杂模型缺乏透明度和可解释性，在金融等敏感领域使用具有挑战性。本文探讨了在金融领域中应用可解释性人工智能的好方法，强调数据质量、面向特定人群的方法、数据属性的考虑以及解释的稳定性的重要性。这些实践旨在应对金融行业的独特挑战和要求，并指导有效的可解释性人工智能工具的开发。

    Nov, 2023