Dec, 2023

FiFAR：用于延迟学习的欺诈检测数据集

PDF
TL;DR我们通过引入金融欺诈警报回顾数据集来填补 L2D 研究中的空白，该数据集是一个合成的银行账户欺诈检测数据集，包含 50 个高度复杂和多样化的合成欺诈分析师团队的预测，具有多样的偏见和特征依赖性。我们还在现实数据可用性条件下开发了一种基于容量感知的 L2D 方法和拒绝学习方法，并在 300 个不同的测试情境下对这些基线进行了基准测试。我们相信这个数据集将成为促进 L2D 方法的系统化、严格、可复制和透明的评估和比较的关键工具，从而促进人工智能在决策系统中更协同的人机协作的发展。
learning to defer algorithmshybrid decision-making systemsfinancial fraud alert review datasethuman work capacity constraintsl2d methods
发现论文，激发创造
  • 增强机器学习模型研究与评估的客户级诈骗活动检测基准

    为了推动机器学习研究并开发有效的反欺诈系统，欺诈检测领域需要全面且符合隐私规范的数据集。传统数据集往往关注交易级别的信息，忽视了对于检测复杂欺诈方案至关重要的更广泛的客户行为模式的背景。在这项研究中，我们引入了一个针对客户级欺诈检测的结构化数据集基准，不仅遵守严格的隐私指南以确保用户机密性，还通过封装以客户为中心的特征提供了丰富的信息源。通过这项工作，我们旨在弥补现有数据可用性方面的差距，为研究人员和实践者提供有价值的资源，推动下一代欺诈检测技术的发展。

    Apr, 2024

  • Fin-Fact：一个用于多模态金融事实核查和解释生成的基准数据集

    本文提出了 Fin-Fact，这是一个在金融领域内进行多模态事实检查的基准数据集，它包含专业事实检查员的注释和证明，旨在对抗金融领域的错误信息，增强事实性分析，提高金融报告和新闻传播的透明度和信任，并通过提供深入的解释和见解，使用户能够理解事实检查决策背后的推理，验证主张的可信度，以及促进对事实检查过程的信任。

    Sep, 2023

  • 期货市场欺诈的深度半监督异常检测

    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

  • Liar, Liar Pants on Fire”: 一个新的用于假新闻检测的基准数据集

    本研究介绍了 Liar 数据集以及一种新型卷积神经网络，该网络能够结合元数据和文本进行表面级别的自动虚假新闻检测，这个可用于事实核查，工具使得这种检测基于事实上的文章变得更容易，从而减少虚假信息带来的实际影响。

    May, 2017

  • 深度伪造检测挑战赛（DFDC）预览数据集

    介绍了一个 DFDC 数据集，其中包含 5K 深度伪造视频，分别采用两种面部修改算法，通过特定度量标准评估其检测性能并测试了两个已有的深度伪造检测模型。

    Oct, 2019

  • FinQA: 金融数据上的数值推理数据集

    为了解决金融领域中财务报表分析的难题，本文提出了一个新的数据集 FinQA，并进行了广泛的实验。实验结果显示预训练模型在金融知识和复杂多步骤的数值推理方面远远不及专家人类。这个新的数据集应该为复杂应用领域的深入研究提供了可能性。

    Sep, 2021

  • 反洗钱模型的逼真合成金融交易

    这篇论文介绍了一个合成财务交易数据集生成器和一组合成的反洗钱数据集，该生成器已被校准以尽可能接近真实交易，并公开了数据集，可以用于比较不同的图神经网络在 AML 方面的能力。

    Jun, 2023

  • GBDF: 面向公平 DeepFake 检测的性别平衡 DeepFake 数据集

    本文建立了一个性别平衡且标注了性别标签的深度伪造数据集，用于解决当前深度学习伪造检测器在性别上表现差异导致的不公平问题。分析结果表明，当前普遍采用的深度伪造检测器在大多数情况下男性的表现优于女性的表现。

    Jul, 2022

  • 面向属性鲁棒性的通用框架 FAR

    该研究提出一种名称为 FAR 的新型范式，用于通过在输入的局部领域内最小化属性映射的最大差异来训练模型的鲁棒属性。通过新模型 AAT 和 AdvAAT 的实验表明，所提出的方法在对抗干扰下都更有稳健性。

    Oct, 2020

  • Factify 2: 一份多模态假新闻和讽刺新闻数据集

    本研究提供 FACTIFY2 这一多模态事实核查数据集以及相关算法，并使用新数据源和添加讽刺文章来改进 FACTIFY1，FACTIFY2 具有 50,000 个新实例数据，包含支持、无证据和驳斥三个分类以及文本和视觉数据的三个子分类，使用基于 BERT 和 Vision Transformer 的基础模型的测试集 F1 分数为 65％。

    Apr, 2023