- 图像文档中的财务表提取
本文提出了一个端到端的流水线,用于在图像文档中识别、提取和转录表格内容,同时保留高保真度的原始空间关系。
- KDD利用自动生成的知识图谱和强化学习技术增强推荐系统
在金融服务领域,应用基于知识图谱的可解释推荐系统对客户提供相关的金融文章,促进客户关系、客户参与及推动客户做出明智的金融决策,并发掘了结构化数据和非结构化数据的潜在价值。
- 学习语义文本相似度来排列金融术语的上位词
本文提出一种使用 FinBERT 和 FIBO 等金融文本语料库进行训练的系统,可提取和排名给定金融术语的超义词,通过使用负样本和基于 FIBO 的层次结构增强了训练集的新方法,并通过与现有系统的性能基准进行比较,证实它的表现更佳且可扩展。
- 使用联邦学习和区块链加强金融服务安全性
本研究探讨了区块链和联邦学习如何应用于金融服务领域,以解决数据保护、存储优化和安全控制等问题,并提出了未来发展方向。
- 针对监督学习模型的个体不公平性识别、测量和缓解以及其在信用风险模型中的应用
本文旨在通过实现一个两步训练过程来识别和减轻个人不公平,并利用最近在此领域发表的一些技术,特别是在信贷审批用例中适用的技术。我们还调查了实现个人公平性的技术在实现团体公平性方面的有效程度以及提出了第二度量标准来确定模型如何公平地处理类似的个 - KDD在超级应用环境下进行欺诈检测的关系图神经网络
该论文提出了一种关系图卷积网络方法的框架,用于在超级应用的金融服务中预防欺诈行为;结果表明,当考虑超级应用的替代数据和高连通性中发现的交互时,采用利用这些交互的模型能够将增加价值转化为更好的决策和欺诈检测策略。
- ICML金融服务应用的动态客户嵌入
本文提出了一种利用动态客户嵌入的方法,通过客户的数字活动和广泛的金融背景,学习 FS 行业客户的密集表示。使用这种方法,作者在三个预测问题上进行了实际测试,并取得了良好的效果,包括客户下一次数字会话的意图、客户在会话后打电话给客服的概率,以 - AAAI可解释的深度行为序列聚类技术用于交易欺诈检测
本文提出了一种基于深度学习的行为数据表征方法,用于集群并检测金融服务领域中的欺诈性交易。该方法将点击流数据视为事件序列,并使用基于时间注意力的双向 LSTM 以无监督的方式学习序列嵌入,与风险专家生成的直观特征结合,形成混合特征表征。利用工 - AAAIDocuBot: 使用自然语言交互生成财务报告
本文介绍一种新型人工智能助手 ——DocuBot,通过建模自然语言交互的技能来创建和修改数字文档中的内容,实现报告的自动化生成。 DocuBot 还具有不断学习领域特定和用户特定词汇的能力,并通过实验展示其在金融行业中的价值。
- KDD金融领域时间序列数据的机器学习:挑战和机遇
本文探讨了金融服务业中常见的不同类型的时间数据,回顾了当前在这个领域中的机器学习方法,并评估了在机器学习和时间数据的交叉应用中,研究人员面临的挑战和机遇。
- NIPS金融风险鲁棒分类
使用领域特定的原始对抗攻击以及文献记录的对抗攻击,我们使用贷款等级分类问题来探讨机器学习模型对用户报告数据中微小变化的敏感性,并使用强健优化算法来构建金融服务的模型对扰动有抗分类误差的能力,这是金融服务深度学习中对抗攻击和防御的首项研究。
- NIPS面向信贷借贷的可解释深度学习:案例研究
该篇论文初步探讨了运用神经网络进行信用风险评估时,为提高模型的可解释性,已提出了一些技术。
- 公正贷款需要解释模型进行负责任的推荐
金融服务业在信贷决策时面临着遵守法规和道德考虑方面的独特可解释性和公平性挑战,这些挑战复杂化了在业务决策过程中使用模型机器学习和人工智能的方法。