本文探讨了社交网络链接欺诈检测中的多样性和特征，提供了强有效的基于熵的特征工程，对Twitter数据的地面真实性能表现达到了超过0.95的精确度和召回率。

Apr, 2017

通过设计两个新颖的仪表板结合各种最新的解释技术，帮助欺诈检测人员分析和理解预测结果，从而快速过滤潜在的欺诈案件。

Jun, 2018

本研究使用多视图图形挖掘的方法，通过检测在多个属性上共享太多特征的实体群组来应对网络平台欺诈问题，使用新颖的可疑性度量和SliceNDice算法，实现了在实际生产环境中高效提取高度可疑实体群组的实验效果强，然而这些疑似实体有89%的正确性且能发掘出真正的欺诈案例，与传统的检测方法相比，该方法表现出了更好的性能和可扩展性.

Aug, 2019

使用多个透镜(Hidden Markov Model)和随机森林(Random Forest classifier)的多视图特征工程方法，以检测信用卡欺诈，可提供具有更高检测率的特征集，具有与专家基于特征工程策略相比的优势。

Sep, 2019

本文系统分析了2011年至2020年间近300篇有关欺诈分析的研究文献，总结了应用领域、面临的挑战、方法和绩效度量，并提出了未来研究的关键词策略和数据集要求。此外，本文提供了一个在线数据库，以帮助其他研究者进行进一步的研究。

Dec, 2022

使用图学习进行金融犯罪检测改善金融安全和效率，提出了一种基于联邦图学习的新型框架（2SFGL），实验证明与仅使用FedAvg的情况相比，将GCN与2SFGL集成应用于此任务可以在几个常见指标上提高17.6％-30.2％的性能，而将GraphSAGE与2SFGL集成应用可以提高6％-16.2％的性能，从而得出结论，我们提出的框架是一种稳健且简单易用的协议，可以与现有的基于图的欺诈检测方法简单集成。

Oct, 2023

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

信用卡欺诈有重要的个人和社会影响，因此有效的预防至关重要。本文提出了GraphGuard，一种新颖的基于图的对比自监督框架，用于检测欺诈信用卡交易。我们在真实数据集和合成数据集上进行实验证明，这一方法为探索基于图的自监督方法在信用卡欺诈检测方面的效果提供了有希望的初步方向。

Jul, 2024

本研究针对真实世界中延迟标签的学习环境，探讨实例增量学习与批量学习的表现差异，填补了此领域的研究空白。通过对欺诈检测问题及常用生成数据集的实证分析，发现实例增量学习在预测性能和计算效率方面未必优于批量学习模型，后者在可解释性方面也更具优势。

Sep, 2024

本研究针对在线欺诈检测与分析中缺乏深入研究的问题，采用系统文献综述方法，评估了现有的人工智能和自然语言处理技术。研究发现，现有研究对不同欺诈活动的划分不够通用，且模型的有效性受到数据过时和偏差的影响，因此需要开发针对特定欺诈类型的多种模型，以增强对在线欺诈的理解和防范。

Sep, 2024