通过使用最新的 Transformer 模型进行数据处理和高度相关向量选择，本研究致力于创新应用于更可靠和精确的欺诈检测，通过与多个广泛采用的模型进行性能比较，包括支持向量机（SVM），随机森林，神经网络和逻辑回归等，比较指标如 Precision，Recall 和 F1 Score，结果表明 Transformer 模型在传统应用中表现出色，并在欺诈检测等领域展示了巨大潜力，为该领域带来实质性进展。

Jun, 2024

该论文介绍了一种基于欠采样算法、K 最近邻算法和深度神经网络的新技术，用于识别信用卡欺诈交易，并通过表现评估表明，DNN 模型具有高精度（98.12%），具有较好的欺诈交易检测能力。

May, 2022

全球金融犯罪活动推动了欺诈预防中对机器学习解决方案的需求。然而，由于对意外泄露和对抗性攻击的担忧，预防系统通常被独立地提供给金融机构，并且几乎没有数据共享的规定。我们在本文中提出了一个从隐私角度设计、在最近的 PETs 奖励竞赛中获奖的合作深度学习框架，用于欺诈预防。我们利用不同长度交易序列的潜在嵌入表示以及局部差分隐私来构建一个安全地通知外部托管的欺诈和异常检测模型的数据发布机制。我们在由大型支付网络捐赠的两个分布式数据集上评估了我们的贡献，并展示了对流行的推断时攻击的鲁棒性，以及类似于替代应用领域的效用 - 隐私权衡。

Jan, 2024

本文探讨推荐系统中节点注入攻击下的对抗性鲁棒性，提出了一种新的攻击方法 metaC，针对现有推荐系统 GraphRfi 中因为涉及到欺诈者检测而存在的弱点进行了阐述，并根据对新型漏洞的深入分析提出了 PDR 推荐系统来更好地解决此类问题。

Nov, 2022

本文提出了一种基于自适应采样和聚合的图神经网络 (ASA-GNN)，通过邻居采样策略和邻居多样性度量，在交易数据中学习判别表示以提高欺诈检测的性能，实验结果表明该方法优于现有的其他方法。

Jul, 2023

本文探讨了一种处理虚假评论的自然语言处理方法，通过研究 15 种语言特征，证明了虚假评论往往包含更多的废话和长句子，并且应用机器学习算法可以高准确率地辨别出虚假评论。

Oct, 2020

本文介绍了一种利用多视图网络结构、半监督学习和分层注意力机制的图神经网络，用于在支付宝用户中进行欺诈检测，并实现比现有方法更为准确的预测，并且提供了可解释的结果。

Feb, 2020

该研究借助强化学习的思想，将欺诈检测问题转化成一个序列决策问题，并探索了不同奖励函数的效果，其性能基于深度 Q 学习算法在两个公开欺诈数据集上进行了评估与比较。

Dec, 2021

本论文提出了基于 RNN 和 MTF 结构的深度学习框架，利用客户在网站或智能手机应用程序上的交互行为序列进行在线欺诈行为预测。实验结果表明，相较于多层感知机网络和动态时间规整距离法作为距离度量的距离分类器，该网络结构可显著提高欺诈预测性能。

Aug, 2018

我们介绍了一种名为 “Graph Feature Preprocessor” 的软件库，用于实时检测金融交易图中的典型洗钱和欺诈模式。该库利用多核并行性，在内存中维护动态图，并高效地挖掘传入交易流中的子图模式，从而能够以流式方式操作。我们通过使用高度不平衡的合成反洗钱（AML）和现实生活中的以太坊钓鱼数据集对我们的库进行评估。结合我们的 Graph Feature Preprocessor 和基于梯度提升的机器学习模型，我们的解决方案能够以比标准图神经网络更高的少数类 F1 分数检测到这些非法交易。此外，我们的解决方案在多核 CPU 上的端到端吞吐量优于在强大的 V100 GPU 上执行的图神经网络基准。总体而言，我们的解决方案的高准确性、高吞吐量和低延迟展示了我们的库在实际应用中的实际价值。

Feb, 2024