利用链接发现技术侦测可疑账号交易信息

金融犯罪一般和账户的资金流动有着紧密的关系,特别是在洗钱活动中表现得尤为突出。目前,大多数的异常侦测系统采用的是传统知识发现方法,首先对数据集进行调查,形成感兴趣的假设,然后再设计分析方法来解决这些问题。但是,这往往有个弊端,对于一个新的应用领域,我们便很难得到那些我们未知或不熟悉的新型知识模式。为了弥补这一不足,本文利用基于约束非指导性链接发现技术,通过对目标节点进行约束性判断,再计算“兴趣度”和路径“作用值”来对外汇资金交易数据库进行自动分析,挖掘出用户感兴趣的交易信息,并最终为侦测外汇金融犯罪提供有利线索和决策依据。

基于迭代框架的主动链接选择半监督社区发现算法

针对非负矩阵分解(NMF)半监督社区发现方法随机选择先验约束,导致提升相同性能需要更多约束信息的问题,提出一种基于迭代框架的主动链接选择半监督社区发现算法——ALS_GNMF。在迭代框架下,首先,主动选择不确定性高且对社区划分指导性强的链接对作为先验信息;其次,为主动选择的链接对增加must-link约束,增强社区间连接,生成先验矩阵;同时,增加cannot-link约束,减弱社区间连接,修改邻接矩阵;最后,将先验矩阵作为正则项,加入基于NMF的最优化目标函数,并融合网络拓扑结构信息,以期用较少的先验信息,达到较高的社区发现准确性和鲁棒性。实验结果表明,ALS_GNMF算法在真实网络及人工网络上,相同的先验比例下,性能比未采用迭代框架和主动策略的NMF半监督社区发现方法有更大的提升,且在结构不清晰的网络中表现稳定。

基于链接模型的主动半监督社区发现方法

链接模型可对网络的社区发现问题建模,相比具有相同目标的对称模型和条件模型,PPL模型处理网络类型更多、社区发现准确率更高。但PPL模型是一个无监督模型,在网络社区结构不清晰时效果不佳,且不能利用易获取的先验信息。为使用尽可能少的先验,获得社区发现链接模型性能较大的提升,提出了一个主动节点先验学习(ANPL)算法,该算法主动选择效用高、易标记的成对约束进行标记,基于标记的约束对自动生成信息量更大的标记节点集合。基于PPL模型设计了一个融合网络拓扑结构和标记节点先验的半监督社区发现(SPPL)模型,并给出模型用于半监督社区发现的参数估计算法。人工网络和实际网络上的实验结果表明,利用ANPL获得的标记节点先验和网络拓扑结构,SPPL模型的社区发现准确率高于无监督PPL模型及当前流行的基于非负矩阵分解(NMF)的半监督社区发现模型。

资源约束项目计划关键序列与内在稳健性关系

针对关键序列为决定项目计划内在稳健性的重要因素,采用Kolisch与Sprecher算例生成器Progen产生的算例j30rcp进行仿真试验以确定二者间的关系,并采用Tabachnik正态检验统计量和Wilcoxon检验统计量进行统计检验。结果表明,两种统计量的检验结果完全吻合,优化可控计划的稳健性优于非优化可控计划的内在稳健性,且资源链接越少、关键序列越少、项目计划的内在稳健性越优。