Dec, 2023

使用深度符号分类的可解释欺诈检测

PDF
TL;DR欺诈检测的需求越来越大，需要解释性、透明性和数据驱动的模型。本文提出了深度符号分类（DSC）作为一个扩展，通过搜索所有解析函数的空间来进行分类问题的优化，同时通过深度神经网络进行训练和引导，解决了类不平衡的问题，提高了模型的解释性，并在 PaySim 数据集上显示了具有竞争力的预测性能。
fraud detectionexplainabledata-driven modelsclass imbalancedeep symbolic classification
发现论文，激发创造
  • 深层描述性聚类

    本文提出了一种新型的复杂数据聚类算法，利用符号数据进行言语解释，通过最大化模块之间的一致性产生更好的聚类效果和高质量的聚类级别解释，实验结果表明，该模型在聚类性能方面优于竞争对手，并提供高质量的聚类级别解释。

    May, 2021

  • 符号回归在可解释科学探究中的应用：评述

    本文综述了符号回归方法的优缺点，探讨了其在机器学习、深度学习等应用领域中以数据驱动的模型发现方法所取得的显著进展。

    Nov, 2022

  • SEFraud：基于图解释掩码学习的自解释欺诈检测

    提出 SEFraud，一种新颖的基于图的自解释欺诈检测框架，通过利用可学习的特征掩码和边缘掩码，从信息丰富的异构类型交易中学习表达能力强的表示，采用新的三元组损失增强掩码学习的性能，演示了的效果。在中国工商银行的生产环境中部署并提供可解释的欺诈检测服务，结果与专业人员的业务理解相一致，确认了它在大规模在线服务中的高效性和适用性。

    Jun, 2024

  • 具备复杂性意识的深度符号回归与稳健风险寻求策略梯度

    本文提出了一种新颖的深度符号回归方法，以增强数据驱动的数学表达式发现的鲁棒性和解释性。通过使用 transformer 与广度优先搜索相结合来改善学习性能，并使用贝叶斯信息准则（BIC）作为奖励函数来明确考虑表达式复杂性并优化解释性和数据适应性之间的权衡。通过一系列基准测试和系统性实验，我们展示了我们方法的优势。

    Jun, 2024

  • 深度符号回归：通过寻求风险策略梯度从数据中恢复数学表达式

    提出了利用深度学习解决符号回归的框架，该框架使用循环神经网络生成数学表达式分布，并使用新颖的风险寻求策略梯度来训练网络生成更好的拟合表达式。该算法在一系列基准问题中表现优于几种基准方法，包括符号回归的黄金标准 Eureqa。

    Dec, 2019

  • 可解释的深度单类分类

    本文提出一种可解释的深度单类分类方法 FCDD，它基于卷积神经网络，通过非线性映射，将异常数据映射到远离正常数据的地方，从而检测异常。FCDD 在常见异常检测基准测试中取得了竞争性能，还能够提供合理的异常检测解释。此外，使用 FCDD 的解释，作者还展示了深度单类分类模型对于图片水印这类假象特征的脆弱性。

    Jul, 2020

  • 可解释的神经符号概念推理

    提出可解释的 Deep Concept Reasoner（DCR）模型，通过对概念嵌入的语义逻辑规则构建实现任务预测，从而在解释过程中提高了模型的可靠性和人类可信度。

    Apr, 2023

  • 一种基于 Deep Taylor 分解的单类模型异常解释方法

    该论文提出了一种新的方法对数据进行异常检测，首先将一类支持向量机模型重新组合成带距离函数和最小池化的神经网络，然后执行深度泰勒分解以解释模型预测结果。

    May, 2018

  • 可解释的、可解释的基于神经符号学习的糖尿病视网膜病变分类

    本文提出了一种可解释的和可解释的基于神经符号学习的糖尿病性视网膜病变（ExplainDR）分类模型，其中对决策制定应考虑高层符号表示以获得可解释性。特别是，我们介绍了人类可读的符号表示，该表示遵循与眼部健康相关的糖尿病性视网膜病变特征的分类法样式以实现解释性。我们随后将从符号表示获取的人类可读特征包括在疾病预测中。对糖尿病性视网膜病变分类数据集的实验结果表明，与应用于 IDRiD 数据集的最先进方法相比，我们提出的 ExplainDR 方法表现出有希望的性能，同时提供解释性和可解释性。

    Apr, 2022

  • 数据科学的可解释符号回归：对 2022 竞赛的分析

    本研究通过举行 Symbolic Regression 竞赛，基于不同的合成和真实数据集比较了演化算法、枚举算法、混合线性整数规划、神经网络和贝叶斯优化等不同算法在现实世界数据建模方面的表现，并讨论了 Symbolic Regression 算法的挑战和未来发展方向。

    Apr, 2023