Feb, 2024

应用无监督学习技术对抗金融犯罪：聚类和降维在反洗钱中的应用

PDF
TL;DR探索在反洗钱数据中降低维度并提升聚类结果准确性的最有效方法，结果显示 Kernel Principal Component Analysis (KPCA) 在大多数情况下结合聚类方法表现优于其他降维技术。
发现论文，激发创造
  • 学习增强的降维 K 均值聚类

    使用主成分分析（PCA）降低数据集的维度，提高 k-means 算法在特定质心下的预测性能和降低成本。

    Jan, 2024

  • 评估预训练句子嵌入的无监督降维方法

    使用预训练语言模型（PLMs）生成的句子嵌入引起了自然语言处理界的广泛关注，因为它们在多种下游应用中以优越的性能表示文本。然而，当在内存或计算受限设备中表示大量句子时，由 PLMs 生成的句子嵌入的高维度会带来问题。作为解决方案，我们评估了无监督的降维方法来降低由 PLMs 生成的句子嵌入的维度。我们的实验结果表明，如主成分分析（PCA）等简单方法可以将句子嵌入的维度降低近 50%，而不会在多个下游任务中造成显著性能损失。令人惊讶的是，在某些任务中，进一步降低维度可以提高某些 PLMs 生成的句子嵌入的性能。

    Mar, 2024

  • LaundroGraph: 反洗钱自监督图表示学习

    本文提出了一种名为 LaundroGraph 的新型自监督图表示学习方法，可将银行客户和金融交易编码为有意义的表示，并使用这些表示来为 AML 审查过程提供洞见，以识别给定客户的异常交易，从而提高了 AML 的检测效率。

    Oct, 2022

  • 从隐藏特征中学习：联合因子分析与潜在聚类

    本文提出了一种联合因子分析和潜在聚类的框架，旨在学习矩阵和张量数据的聚类感知低维表示。该方法利用矩阵和张量分解模型来揭示潜在聚类结构，并通过潜在聚类结构作为先验信息来提高因子分解的性能。

    May, 2016

  • 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

  • 随机降维 k-means 聚类

    本文研究了 $k$-means 聚类的降维问题，提出了第一个能够保证准确的特征选择方法，并针对特征提取提出了两种方法，分别基于随机投影和快速近似 SVD 分解。所提出的算法是随机的，并对最优 $k$-means 目标值提供一定的近似保证。

    Oct, 2011

  • 对比潜变量模型的无监督学习

    本文提出了一种基于概率模型的降维方法，通过在目标数据集和背景数据集之间寻找信号富集的模式，能够恢复目标数据集中潜在空间中的有趣结构，并可应用于去噪、特征选择和子组发现等领域。

    Nov, 2018

  • 多变量时间序列中降维对异常检测性能的影响探索

    本文通过对 MUTANT 和 Anomaly-Transformer 模型进行维度降低技术与高级无监督时序异常检测模型的全面实证研究，以 MSL、SMAP 和 SWaT 三个不同数据集为例，发现维度降低不仅可以减少计算复杂度，而且在某些情况下显著提高异常检测性能，同时大幅缩短训练时间，对于时间序列分析领域具有重要意义。

    Mar, 2024

  • 线性降维：调查、见解和概括

    本文综述了一些线性降维方法，以及它们如何作为矩阵流形优化问题进行求解，并提出了一种基于正交投影的典型相关分析方法，这种优化框架使得线性降维成为了一种面向各种数据类型的黑盒子数值技术。

    Jun, 2014

  • 数据维度缩减提高机器学习算法效率

    本文提出数据维数减少的方法，其中应用了 PCA 和 Auto-encoders 算法，并结合监督学习和无监督学习算法来验证在预处理 DDR 方面的准确性和时间效果。实验证明，预处理不仅能提高算法精度，也能提高时间效率，从而实现大规模精度和时间节省的目标。

    Nov, 2022