使用先进的 Transformer 模型进行信用卡欺诈检测
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
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
本文介绍了一种最先进的混合集成可靠的机器学习模型,利用多个算法与合理的加权优化(使用网格搜索)智能结合,包括决策树、随机森林、K - 最近邻、多层感知器,以提高欺诈识别能力。该模型在公开可用的信用卡数据集上的实验中取得了令人印象深刻的准确率,分别为 99.66%、99.73%、98.56% 和 99.79%,集成模型达到了完美的 100%。该混合集成模型优于现有的作品,为高频情况下检测欺诈交易建立了新的基准,突出了该方法的有效性和可靠性,展示了其在实际欺诈检测应用中的卓越潜力。
Feb, 2024
介绍了一种创新的自回归模型,利用了 Generative Pretrained Transformer (GPT) 架构,专为支付系统中的欺诈检测而设计。我们的方法创新性地解决了令牌爆炸问题,并通过时间和上下文分析重构行为序列,提供了对交易行为的细致理解。利用无监督预训练,我们的模型在特征表示方面表现突出,无需有标签的数据。此外,我们整合了一种差分卷积方法来增强异常检测,提高了中国最大在线支付商的安全性和效果。我们模型的可扩展性和适应性在各种交易背景下有着广泛的适用性。
Dec, 2023
信用卡欺诈检测是金融领域的一个重要挑战,需要使用先进的方法准确识别欺诈交易。本研究提出了一种创新的方法,将神经网络(NN)和合成少数类过采样技术(SMOTE)结合起来,以提高识别性能。该研究解决了信用卡交易数据中存在的不平衡问题,专注于技术的进步,用于强大而准确的欺诈检测。结果表明,相比传统模型,NN 和 SMOTE 的整合在精确度、召回率和 F1 得分方面表现出优越性,凸显其作为处理不平衡数据集的信用卡欺诈检测场景中的先进解决方案的潜力。本研究为开发有效和高效的机制来保护金融交易免受欺诈活动的努力做出了贡献。
Feb, 2024
本研究着重研究使用机器学习检测银行信用卡欺诈的可扩展性。我们比较了现有的机器学习算法和方法与新提出的技术,并证明采用较少的比特数来训练机器学习算法将导致一个更具可扩展性,时间和成本更少的系统。
Jun, 2022
这篇论文是关于基于 Transformer 的异常检测的综述,探讨了当前的挑战、Transformer 及其变种在异常检测中的原理、应用场景、数据集和评估指标,并对未来的研究趋势进行了全面分析。这是首篇集中研究 Transformer 在异常检测领域的综述,为对此感兴趣的研究者提供了详细的技术信息。
Feb, 2024
本文提出了一种使用同态加密进行私密欺诈检测的系统,在使用明文数据训练完 XGBoost 和神经网络后,将其转换为同态加密模型用于私有推断,比较两种模型的延迟、存储和检测结果,并探讨部署的可行性和应用案例。
Nov, 2022
本研究提出使用 BERT 模型从文本(即评论)中提取词嵌入来改进现有的虚假评论分类或检测方法,结果表明 SVM 分类器在准确度和 F1 得分方面优于其他分类器,并且比之前的研究中使用的分类器高出 7.6%。
Jan, 2023
使用 SSL 技术的基于 Transformer 的神经网络在欺诈检测任务中超越 GBDT 算法,在大规模实验中,预训练的 Transformer 模型在有限的微调数据上表现更加一致且需要较少的标记数据。
May, 2024