基于人工智能模型的在线欺诈检测与分析应用
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
本文以组织为中心,探讨了反欺诈部门的运营模式,提出了6个研究主题和12个实践挑战,总结了每个研究主题的文献现状,并讨论了解决实践挑战的潜在解决方案,同时发现了22个开放式研究挑战。
Jul, 2021
本研究旨在探讨自然语言模型如GPT-3和GPT-2生成有效钓鱼邮件的潜力,并提出了一个框架来评估其性能,我们的研究结果表明,自然语言模型生成的钓鱼邮件容易逃避垃圾邮件过滤器并且成功率高,在恶意目的下使用自然语言模型存在着重大安全和道德上的问题。
Dec, 2022
本文调查了利用人工智能聊天机器人 ChatGPT 通过自动化对抗仿冒邮件的骗子的可行性,并发现 ChatGPT 能够成功干扰骗子的活动,因此证明了利用 AI 是对抗网络威胁有效的工具。
Feb, 2023
在线问卷调查、众包平台、人工智能、数据质量和自动AI检测系统是研究论文的关键词。该研究测试了人工智能生成的文本是否能被人类和自动化AI检测系统发现,结果表明人类的正确识别率还不足以确保满意的数据质量,而自动化AI检测系统目前是完全不可用的。如果人工智能在提交回应方面过于普及,检测欺诈性提交的成本将超过在线问卷的益处,个别的注意力检查将不再足以确保良好的数据质量,这个问题只能由众包平台进行系统性解决,但众包平台不能依赖自动AI检测系统,他们如何确保为付费客户提供数据质量尚不清楚。
Aug, 2023
我们通过引入金融欺诈警报回顾数据集来填补L2D研究中的空白,该数据集是一个合成的银行账户欺诈检测数据集,包含50个高度复杂和多样化的合成欺诈分析师团队的预测,具有多样的偏见和特征依赖性。我们还在现实数据可用性条件下开发了一种基于容量感知的L2D方法和拒绝学习方法,并在300个不同的测试情境下对这些基线进行了基准测试。我们相信这个数据集将成为促进L2D方法的系统化、严格、可复制和透明的评估和比较的关键工具,从而促进人工智能在决策系统中更协同的人机协作的发展。
Dec, 2023
为了解决Instagram金融行业页面评论区垃圾信息和欺诈信息长期存在的问题,本研究提出了ScamSpot系统,该系统通过浏览器扩展、经过微调的BERT模型和REST API的综合应用,旨在为使用Chrome浏览器的Instagram用户提供我们的研究成果,同时进行了数据标注研究,并通过用户反馈和与现有模型的对比进行了系统评估。ScamSpot是一个开源项目,公开可用于此https URL。
Feb, 2024
本研究分析了15个大型语言模型(LLMs)在检测网络钓鱼邮件方面的效果,重点关注“419诈骗”邮件。实验证明ChatGPT 3.5、GPT-3.5-Turbo-Instruct和ChatGPT是最有效的钓鱼邮件检测模型。
Apr, 2024
本研究关注大型语言模型在欺诈与滥用检测领域的应用不足,提出了一套全面的基准评估工具,以评估其在多种现实场景下的表现。研究发现,尽管大型语言模型在个别欺诈和滥用检测任务中表现良好,但在需要细致的语用推理的任务上表现不佳,这为其在高风险应用中的负责任发展提供了重要启示。
Sep, 2024
本研究解决了电话诈骗对个人和社区的严重威胁,特别是在诈骗者不断适应和改进策略的背景下。通过分析诈骗者与受害者之间的对话动态,本研究提出了基于大语言模型的检测方法,能实时识别潜在的诈骗电话,为用户提供即时保护。这种方法展示了良好的前景,但也面临数据偏见、召回率低以及幻觉等挑战,需要进一步研究解决。
Sep, 2024