- 通过自动化机器学习增强供应链安全
该研究通过机器学习方法来应对全球供应链面临的复杂性,从而提高供应链安全性。研究集中于通过欺诈检测、维护预测和物料缺货预测来增强供应链安全。引入一种自动化机器学习框架,优化数据分析、模型构建和超参数优化。研究指出了影响机器学习性能的关键因素, - 使用先进的 Transformer 模型进行信用卡欺诈检测
通过使用最新的 Transformer 模型进行数据处理和高度相关向量选择,本研究致力于创新应用于更可靠和精确的欺诈检测,通过与多个广泛采用的模型进行性能比较,包括支持向量机(SVM),随机森林,神经网络和逻辑回归等,比较指标如 Preci - 应用表格转换器挑战 Booking.com 诈骗检测中的梯度提升决策树
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。
- 检测音乐深度伪造容易但实际上很困难
这篇论文展示了对真实音频数据集和假重建数据集进行分类器训练的可能性与出乎意料的容易程度,达到了 99.8% 的令人信服的准确率,标志着音乐深度伪造检测器的首次发表。然而,通过对其他领域伪造检测的几十年文献的了解,我们强调一个好的测试得分并不 - 增强机器学习模型研究与评估的客户级诈骗活动检测基准
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 - AAAI金融网络中的图异常检测的时态图网络
本文探讨了利用时间图网络(TGN)进行金融异常检测的技术,通过实验证明 TGN 在捕捉金融网络中边的动态变化方面具有显著优势,表明 TGN 在适应现代金融系统动态复杂性方面具有潜力,从而成为检测金融欺诈的有效工具。
- KDD通过全局和局部关系交互进行欺诈检测
关系感知图神经网络与变形器网络结合,同时将本地和全局特征嵌入目标节点,通过注意力融合模块和跳跃连接将全局嵌入与本地嵌入合并,在两个公共数据集和一个工业数据集上验证了其卓越性能。
- 利用 GANs 进行欺诈检测:使用合成交易数据进行模型训练
使用生成对抗网络(GANs)算法设计和实现了一个基于深度学习技术的伪造人脸验证代码和欺诈检测系统,以增强交易过程的安全性。
- 从论文投标中检测审稿人与作者串通的共谋环
从论文投标中检测串通可以取得显著成功并保持隐藏,需要开发更复杂的检测算法利用额外的元数据。
- 边缘机器学习欺诈检测中的数据分布变化的分布式监控
数字化时代见证了金融欺诈的显著增长。我们的研究填补了当前研究中在分布式边缘机器学习应用中对数据分布漂移的监测缺乏稳健系统的重要空白。通过引入一种创新的开源框架,我们的系统能够连续监测网络上边缘设备上的数据分布漂移,包括在分布式网络上进行 K - 时间敏感金融服务应用的时间知识蒸馏
在金融服务行业中,检测异常已成为一项越来越关键的功能。该研究提出了一种基于时间知识蒸馏的标签增强方法,利用旧模型的学习来快速提升最新模型的能力,从而有效减少模型重新训练的时间并改善其性能。
- 规模化生成预训练:基于 Transformer 的交易行为编码用于欺诈检测
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 - 在线信用卡支付欺诈检测异 常检测方法的比较评估
本研究探讨了异常检测方法在不平衡学习任务中的应用,重点关注使用真实的在线信用卡支付数据进行欺诈检测。我们评估了几种最近的异常检测方法的性能,并与标准监督学习方法进行比较。我们的发现表明,LightGBM 在所有评估指标上表现明显优于其他方法 - 使用深度符号分类的可解释欺诈检测
欺诈检测的需求越来越大,需要解释性、透明性和数据驱动的模型。本文提出了深度符号分类(DSC)作为一个扩展,通过搜索所有解析函数的空间来进行分类问题的优化,同时通过深度神经网络进行训练和引导,解决了类不平衡的问题,提高了模型的解释性,并在 P - 相似文档模板匹配算法
该研究提出了一种全面的医疗文件验证方法,通过模板提取、比较和欺诈检测等先进技术的整合,有效解决了医疗文件验证中的模板提取、比较、欺诈检测和适应性问题。
- 一种紧凑的 LSTM-SVM 融合模型用于长期心血管疾病检测
本研究提出了一种用于心血管疾病早期检测的流程,结合了机器学习和深度学习的技术,并利用长短时记忆神经网络(LSTM)和支持向量机(SVM)的混合模型进行欺诈检测,取得了卓越的成果。这种方法对于心血管疾病的早期检测和管理具有显著的益处。
- 2SFGL:基于图形的欺诈检测的简单而稳健的协议
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, - 动态关系注意力图神经网络用于欺诈检测
欺诈检测在发现欺诈者通过欺骗其他用户,例如发布虚假评论或进行异常交易的行为上有着重要作用。我们采用图神经网络和动态关系注意力聚合机制来解决这个问题,并在真实基准数据集上展示了我们的方法 DRAG 优于其他最先进的欺诈检测方法。
- 期货市场欺诈的深度半监督异常检测
使用深度半监督异常检测技术 Deep SAD,本研究旨在评估其在高频金融数据中检测欺诈行为的有效性,通过利用蒙特利尔的 TMX 交易所的专有限价订单簿数据和少量真实标记的欺诈实例,我们证明将少量标记数据融入无监督异常检测框架可以极大提高其准 - 通过监督对比学习实现强大的欺诈检测
为了解决开放式欺诈检测的挑战,我们提出了一种名为 ConRo 的鲁棒监督对比学习框架,它在只有少量具有有限多样性的恶意会话可用的情况下进行操作。通过采用有效的数据增强策略生成多样的潜在恶意会话,并利用这些生成的和可用的训练集会话,ConRo