aLMGAN-信用卡欺诈检测方法

针对信用卡交易数据的不平衡重叠问题,提出一种基于生成对抗网络的端到端一类分类方法。提出一种基于PCA和T_SNE的混合数据降维方法,对清洗后的数据进行特征降维;将降维后的数据送入所提出的基于LSTM和aMLP的生成对抗网络(aLMGAN),提出一种基于闵可夫斯基距离(Minkowski distance)的损失函数(Min-loss)代替原始生成对抗网络中的交叉熵损失函数,对正常交易数据进行单类稳定训练,形成一种特殊特征模式,区分不属于该特征的异常数据。通过使用kaggle上两个真实的公共信用卡交易数据集进行实验,验证了aLMGAN算法的有效性。

基于图注意力Transformer神经网络的信用卡欺诈检测模型

针对现有模型无法精准识别复杂多变的团伙诈骗模式的问题,提出一种新型实用的基于复杂交易图谱的信用卡反欺诈检测模型。首先,利用用户原始的交易信息构造关联交易图谱;随后,使用图自注意力Transformer神经网络模块直接从交易网络中挖掘团伙欺诈特征,无需构建繁冗的特征工程;最后,通过欺诈预测网络联合优化图谱中的拓扑模式和时序交易模式,实现对欺诈交易的高精度检测。在信用卡交易数据上的反欺诈实验结果表明,所提模型在全部评价指标上均优于7个对比的基线模型:在交易欺诈检测任务中,平均精度(AP)比基准图注意力神经网络(GAT)提升了20%,ROC曲线下方面积(AUC)平均提升了2.7%,验证了所提模型在信用卡欺诈交易检测中的有效性。

面向社会关系网络的数字金融欺诈检测研究进展

在金融科技兴起的新时代,数字技术是金融业未来发展的核心驱动力,基于数字技术的欺诈检测成为新的研究热点。金融欺诈检测技术研究由传统的提升专家经验、优化机器学习模型转向探索面向社会关系网络的图机器学习方法。聚焦社会关系网络,基于网络分析的发展历程,从检测异常个人、可疑团伙和不良中介3类主体的视角,对金融欺诈检测的核心工作、典型应用进行了综述;归纳分析了面向社会关系网络不同类别的数字金融欺诈检测技术;并给出了面向社会关系网络的数字金融欺诈检测研究的发展趋势和方向。

RWK-GNN:基于特征增强与子核分解的非平衡图欺诈检测算法

金融欺诈对经济和社会稳定造成了严重的威胁,因此开发有效的欺诈检测算法对于保护金融系统的完整性至关重要.目前已有多种基于图学习的欺诈检测算法应用于实际场景当中,这些方法或针对图的结构信息开展分类,或通过图卷积神经网络学习节点的嵌入式表示进行欺诈检测工作,关注角度相对单一,无法完备地在非平衡多关系图上开展欺诈检测分析.针对以上问题,本论文提出了一种结合随机游走下的特征增强与子核分解的图神经网络欺诈检测算法(Random Walk feature enhancement and Kcore subkernel decomposition Graph Neural Network,RWKGNN),该算法能够高效地挖掘出多关系不平衡图中节点层级与全局网络层级的拓扑信息,并通过子核分解算法优化图结构特征在社区演进角度上的传播与聚合,最终完成欺诈检测与识别.为验证RWK-GNN算法性能,本文使用了图神经网络欺诈检测任务常用的公开数据集进行模型训练与测试.实验结果表明,在同一评价指标下,该方法较相关机器学习算法与图神经网络算法有着较大提升,与CARE-GNN算法相比,该方法的AUC值提升了17%;与PC-GNN算法相比,该方法的AUC值提升了8%;与SIGN算法相比,该方法的AUC值提升了7%.

基于注意力机制优化的WGAN-BiLSTM信用卡欺诈检测方法

信用卡欺诈是银行操作风险的主要来源之一,对信用卡诈骗交易进行准确的检测对于减少银行经济损失具有重要意义。针对信用卡欺诈检测中存在的数据类别不平衡和数据漂移的问题,提出一种基于注意力机制优化的WGAN-BiLSTM信用卡欺诈检测方法。首先引入Wasserstein距离改进生成对抗网络(GAN),将信用卡数据输入至WGAN(Wasserstein GAN)中,在生成器和判别器相互博弈训练下,得到符合目标分布的欺诈样本;然后,构建结合注意力机制的双向长短期记忆(BiLSTM)网络,在正反两个方向上提取信用卡数据的长时依赖关系;最后,通过Softmax层输出分类结果。在欧洲持卡人数据集上的实验结果表明,所提方法能有效提升信用卡欺诈检测效果。

基于改进SMOTE算法和深度学习集成框架的信用卡欺诈检测

当前机器学习(ML)算法已经被广泛用于信用卡欺诈检测。然而持卡人线上购物的动态性,以及正常和欺诈交易数据严重不平衡问题,影响了分类器的检测精度。为此,提出了基于深度学习集成框架的信用卡欺诈检测方法。首先,通过改进的合成少数类过采样(SMOTE)算法,解决信用卡数据集中欺诈交易和正常交易数量严重不平衡问题。其次,构建堆栈式深度学习集成框架,使用双向长短时记忆网络(Bi-LSTM)和门控循环单元(GRU)作为基础分类器,并通过多层感知机(MLP)作为元分类器,结合集成学习和深度学习的优点提高信用卡欺诈检测率。在公开数据集上的实验结果表明,所提深度学习集成方法与改进SMOTE算法相结合,分别实现了99.57%和99.82%的灵敏度和特异性结果,优于其他先进的信用卡欺诈检测算法。

基于交易行为表征学习的企业财务欺诈检测方法

公司间关联交易已成为实施财务欺诈的常用手段。传统定量分析方法将每家公司视为一个独立个体,未考虑交易各方间复杂关系。为此,提出了基于混合交易行为特征和集成机器学习模型的企业财务欺诈检测方法。首先,构建知识图谱,从企业交易数据中提取关联交易特征,并与常用财务特征整合在一起。其次,提出结合决策树(DT)、随机森林(RF)和Adaboost算法的财务欺诈检测集成框架。取混合特征作为输入,子模型对每笔交易是否欺诈进行投票,通过硬投票或软投票聚合方法达成最终决策。在上市公司的现实交易数据集上的实验表明,混合特征能够增强财务欺诈检测性能,且所提框架通过集成多样化模型和不同的投票机制,在欺诈交易检测中实现了92.46%的受试者工作特征曲线下面积(AUC),检测性能显著优于单个分类器,有助于促进企业可持续增长,协助监管机构维护市场秩序。

基于集成学习的信用卡欺诈检测模型

旨在探讨和验证一种基于集成学习的信用卡欺诈检测模型,以提高识别欺诈交易的准确性。分析了信用卡欺诈的背景,回顾了现有的关键技术和方法,在此基础上,采用硬投票策略,将决策树、逻辑回归和朴素贝叶斯分类器三种不同的机器学习模型集成在一起,形成一个强大的集成模型。通过实验验证,该集成模型实现了高达99%的准确性,相较于单一模型至少提高了3.22%的准确性。这种显著的准确性提升归因于模型间的互补性和集成学习的稳健性。不仅为信用卡欺诈检测提供了一种高效的方法,也为其他金融欺诈检测问题提供了有价值的参考。

基于XGBoost与LR融合模型的信用卡欺诈检测

随着银行卡业务的不断发展,各种各样的信用卡欺诈方式已经给金融机构带来严重的威胁,使得信用卡欺诈检测成为一个十分紧迫的任务。为解决此问题,提出一种XGBoost与LR融合模型。该模型首先运用XGBoost算法自动进行特征组合和离散化,然后将新构造的特征向量运用在逻辑回归LR模型上,通过XGBoost与LR融合模型进行分类预测。实验结果表明,与经典传统算法相比,提出的XGBoost与LR融合模型具有更好的欺诈检测性能,提高了信用卡欺诈检测的准确率。

基于图神经网络的银行交易欺诈检测方法

随着电子支付的迅速发展,欺诈问题日益增多。传统欺诈检测方法受限于规则和特征工程,难以捕获复杂的交易模式。相反,基于图的方法虽然强调了数据的关系性,但通常忽略了特征工程的重要性。为了解决这个问题,提出一种端到端的电信诈骗检测方法——基于图神经网络的银行交易欺诈检测方法。该方法设计了一个针对图数据的特征工程,并利用融合模型对其进行训练。具体来说,使用过采样和设置节点权重的方式对银行交易数据进行不平衡处理,然后采用改进的自适应相似度边和节点度权重融合策略,构建用户交易图数据并挖掘交易节点间的潜在关联信息,最后综合局部特征和全局特征通过模型融合来弥补单一分类器的不足。实验结果表明,在广西玉林银行的交易数据中,所提模型对于交易欺诈数据的检测在F1分数、召回率、AUC 3个指标上相比GraphSAGE分别提升1.65,1.36,4.2个百分点,图数据构建时间缩短了80%左右,与其他主流的检测算法相比也取得了更高的检测精度。

基于混合采样和强化学习的信用卡欺诈检测模型

针对信用卡欺诈检测中存在数据不平衡以及模型超参数不能自动调优,导致检测精度低的问题,综合考虑数据平衡处理和参数优化两个关键因素,构建了一种基于混合采样和强化学习的信用卡欺诈检测模型。所提模型采用Kmeans聚类算法对多数类数据以及少数类数据分别聚类,多数类数据保留具有代表性的数据,少数类数据采用生成对抗网络生成数据,从而达到数据集平衡。同时,提出了一种改进的Q-learning算法,通过优化算法中奖励值的计算和Q-table的更新方式,以加快算法的收敛速度,然后采用改进的Q-learning算法优化XGBoost模型中的参数,以提高模型的检测效果。实验结果表明:相比于传统的欺诈检测模型,该模型具有更优的检测效果,更适合应用于信用卡欺诈检测领域。

社交网络中协同舆论欺诈检测方法应用研究

为了能够使网络空间提供更加可靠的信息,欺诈检测变得越来越重要,但现有的方法在检测欺诈用户时仅考虑了用户评论之间评论相同商品时形成的静态密集子图,而忽略了用户自身在评论时的异常行为,从而导致准确性较低,在实践中往往需要进一步手动验证检测结果的可靠性。针对此问题,提出了一种协同舆论欺诈检测(CPOFD)方法,该方法使用一种新的度量,即对比可疑度。该度量主要包括拓扑连接的信息,使得CPOFD方法能够通过拓扑连接、时间戳以及评分等信息有效检测欺诈者的异常行为,以更为聚合的方式检测欺诈群体。该度量强调了欺诈者和正常用户的动态对比,使得算法能够在拓扑连接、时间戳以及评分方面更为有效地检测欺诈者的异常行为。同时,CPOFD方法结合基于密度子图的聚类算法和决策树分类算法将社交网络中用户进行有效分组,且在聚簇分类时使用模拟退火算法进行剪枝优化,能更加简洁快速地寻找近似最优解,时间复杂度与欺诈者数量呈线性关系,具有较高的可扩展性。基于Yelp数据集的实验结果表明:CPOFD方法对欺诈舆论检测的准确度大多数在98%以上,验证了CPOFD方法的有效性。

基于全连接神经网络的线上交易欺诈检测方法

随着互联网的迅速发展,电子商务和互联网金融呈现快速发展趋势,同时也带来了严重的线上交易欺诈问题。针对线上交易数据的不平衡性,提出了一种利用深度学习神经网络的方法检测线上交易中的欺诈。该方法首先通过SMOTEENN混合采样获得平衡数据集,以提高模型的泛化能力和鲁棒性,然后使用多个不同神经元数量的全连接层,提取并学习输入数据中更高级别的特征,最后利用平衡处理后的数据,训练上述所设计的分类模型,并进行模型评估。实验结果表明,该方法在不平衡分类的各项评价指标F-means、G-means、AUC值、精确率和召回率下,均明显优于常见的线上交易欺诈检测模型,显著提高了线上交易欺诈检测的准确性。

基于图分析算法的信用卡交易欺诈检测

当前,在线信用卡交易欺诈案件快速增加,作案手段和方法更加多变,信用卡交易欺诈检测已成为银行风险防控的重点内容。文章依托近年人工智能领域热门的图分析理论与算法,将信用卡交易数据转化为图结构数据,从而分析信用卡交易欺诈图的社区信息。在此基础上,应用图表示学习算法Deepwalk和机器学习分类器,构建信用卡交易欺诈检测模型,用于预测欺诈行为。实验结果表示,该模型对欺诈行为的检测准确率达70%。

基于SVM分类机的移动通信欺诈检测系统

设计并实现了一种基于SVM分类机(支持向量机)的入侵检测系统,它搜集移动通信客户的产品信息、呼叫行为信息(CDR)、背景资料、交欠费信息等特征,采用主成份分析(PCA)的属性归约技术对数据进行预处理,然后使用SVM分类机对测试数据进行分类,从而识别出新用户的欺诈类型。在此基础上,讨论了SVM分类机与通常的所挖掘分类技术的差别、SVM核函数的选择和RBF核函数参数的选择对分类效果的影响。实验结果表明,该系统能有效地检测出新客户的欺诈行为类型,具有很高的分类准确率。

KDD方法在金融欺诈检测中的应用研究

摘 要：在分析了金融事务中进行金融欺诈的现象后，对传统的金融欺诈检测方法进行了分析，并在此基础上，提出了一种利用数据挖掘方法进行金融欺诈检测的模型，并在此基础上利用该模型列举了方法运行的案例。

基于免疫网络的分类应用于审计欺诈检测

分析被审计单位数据从而检测出欺诈记录是当前审计工作的一个重要课题,传统的数据挖掘方法在处理该问题时存在很大的局限性。论文提出了一种基于免疫网络的分类算法,基于训练数据构建自我和非我网络来提取正常模式和欺诈模式。算法根据新数据同自我非我网络的匹配情况来定量地计算欺诈分来实现分类。算法引入了免疫学习、免疫克隆、免疫记忆机制,并引入免疫变异机制提高对未知模式的识别能力。论文针对标准数据和审计数据完成了相应的验证实验。结果表明该算法具有较好的分类能力和欺诈检测能力。

人脸欺诈检测最新进展及典型方法

以人脸为生物特征的身份认证由于其简单、快捷和无接触,深受用户喜爱。然而,不法分子针对人脸的易于伪造和认证场景的多样性,恶意攻击人脸识别系统,给国家安全和人民生活带来极大危害,有必要深入研究人脸的反欺诈技术。该文收集了经典和代表性论文68篇,其中包括近2年来国际主流期刊和会议的相关论文50余篇,从7大类来梳理近期人脸欺诈检测的技术脉络,把握领域的最新动向。为了使读者洞悉各类的技术精髓,对典型方法进行了重点介绍,并对各类进行了技术小结。在方法介绍结束之后,对2019年以来新推出的6个人脸欺诈检测数据库进行了简要介绍,便于读者对本领域的最新算法开发和验证平台有所了解。结语部分对人脸欺诈检测7类方法之间的关联、在理论和应用上的总体现状、存在的主要问题以及发展的方向作了简单的总结和展望。

基于多视角图神经网络的欺诈检测算法

针对欺诈检测领域样本标签不平衡、欺诈节点之间缺乏必要连接,导致欺诈检测任务不符合图神经网络同质性假设的问题,提出了基于多视角图神经网络的欺诈检测(MGFD)算法。首先,利用结构无关的编码器对网络中节点进行属性编码,以学习欺诈节点与正常节点之间的差异,使用层次注意力机制对网络中多视角信息进行融合,在学习差异的基础上充分利用网络中不同视角之间的交互信息对节点进行建模;然后,基于数据不平衡比采样子图,依据欺诈节点连接特性构建样本进行分类学习,解决样本标签不平衡的问题;最后,预测标签判别节点是否为欺诈节点。在公开数据集上的实验表明,MGFD算法在基于图的欺诈检测领域检测效果优于对比方法。

一种校园卡欺诈检测模型

针对校园卡欺诈带来的资金安全问题,提出一种"卡库对账-预处理-神经网络检测"的校园卡欺诈检测工作流程,设计卡库对账算法,该算法能够检测出系统中存在的有异常交易的校园卡,在此基础上结合神经网络算法,建立一种校园卡欺诈检测模型。实验结果表明,该检测模型对校园卡欺诈检测具有较好的适应性。