Dec, 2023

在线信用卡支付欺诈检测异 常检测方法的比较评估

PDF
TL;DR本研究探讨了异常检测方法在不平衡学习任务中的应用，重点关注使用真实的在线信用卡支付数据进行欺诈检测。我们评估了几种最近的异常检测方法的性能，并与标准监督学习方法进行比较。我们的发现表明，LightGBM 在所有评估指标上表现明显优于其他方法，但对分布变化更敏感。此外，我们的调查还发现，LightGBM 也能够捕获大部分异常检测方法所发现的欺诈行为，这一观察挑战了使用集成方法结合监督学习和异常检测方法以提高性能的潜在益处。总之，本研究为这些技术在实际场景中的实用性提供了实质性的见解，展示了 LightGBM 在欺诈检测中的优势，并突显了与分布变化相关的挑战。
anomaly detectionimbalanced learningfraud detectiondistribution shiftlightgbm
发现论文，激发创造
  • 基于机器学习的基于日志的异常检测的实证研究

    对传统机器学习和深度学习技术在日志分析和异常检测中的评估进行了全面的实证研究，结果表明传统机器学习技术和深度学习技术在检测准确性和预测时间方面非常接近，而传统机器学习技术对超参数调整的敏感性较深度学习技术要低。此外，半监督技术的检测准确性明显较监督技术差。

    Jul, 2023

  • 弱监督异常检测：一项综述

    本研究是第一部弱监督异常检测方法的全面调查，将其分为三个弱监督设置，以及四种数据模态，并针对每种设置提供了形式化定义、关键算法和潜在未来方向。我们在选择的设置上进行了实验，并发布了源代码，以及一些弱监督异常检测方法和数据的收集。

    Feb, 2023

  • 基于流式主动学习策略的信用卡实时欺诈检测：评估与可视化

    本文研究了信用卡欺诈检测的问题，提出了一些主动学习的策略，并比较了不同的查询标准，强调了在欺诈检测中主动学习存在探索 / 开发的权衡。

    Apr, 2018

  • 评估 XGBoost 在平衡和不平衡数据上的应用：应用于欺诈检测

    本文使用不同大小和类别分布的数据集评估 XGBoost 在欺诈检测中的性能，并提出了数据准备管道和比较，发现随机搜索微调对大型数据集有一致的改进，但对于中小型数据集则不是如此。在数据不平衡的情况下，训练集平衡化并不能提供一致的改进，因此未来的工作将包括对处理数据不平衡的不同技术以及评估其他方法的系统研究。

    Mar, 2023

  • 使用增强随机森林分类器检测不平衡数据中的信用卡欺诈

    本论文研究了信用卡欺诈检测的难点 - 数据集不平衡的问题，采用随机森林算法和合成少数过采样技术（SMOTE）以提高欺诈检测的准确性，在信用卡交易数据集上实验，成功实现了欺诈检测的 98% 准确率。

    Mar, 2023

  • 高级支付安全系统：XGBoost、CatBoost 和 SMOTE 集成

    利用 XGBoost 和 LightGBM 等机器学习模型，通过应用先进的机器学习模型和数据处理技术，本研究开发了一种更准确、更稳健的支付安全保护模型，有效提升了交易欺诈预防的能力。

    Jun, 2024

  • 奇异感知机器学习在流媒体服务中的滥用和欺诈检测

    本文提出了一个基于流媒体用户行为建模的欺诈和滥用检测框架，通过创建用户行为模型发现异常和可疑事件，并以此来扩大调查工作的规模。我们研究了半监督和监督方法来检测异常现象，最终使用机器学习方法实现了欺诈和滥用检测。

    Mar, 2022

  • 可解释人工智能与基于因果推断的 ATM 诈骗检测

    使用机器学习技术和过采样技术来识别银行 ATM 诈骗交易，并引入可解释的人工智能和因果推断来进行进一步研究。

    Nov, 2022

  • 基于树的方法在异常检测中能超越深度学习吗？一项基准研究

    该论文通过综合基准研究评估了多种基于机器学习的异常检测算法，并发现树型算法在许多情境下表现优于深度学习。

    Feb, 2024

  • 基于 GAN 的数据增强解决类别不平衡问题

    在信用卡欺诈检测中，机器学习被广泛运用，但因为样本集类别分布存在不平衡，这可能导致模型预测全部为多数类别而无法推广到真实情况。因此，我们使用生成对抗网络来生成一些少数类别虚拟数据，以缓解类别分布不平衡问题，从而更有效地学习数据。

    Jun, 2022