PulseAugur
中
实时 06:08:46
English(EN) Counterfactual Methods for Detecting Unfairness in Anti-Money Laundering Algorithms

新方法检测人工智能驱动的反洗钱系统中的不公平性

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了反事实方法来检测用于反洗钱（AML）的机器学习算法中的不公平性。这些技术分析敏感特征对模型预测的直接和间接影响，旨在确保公平性。该研究使用了合成的IBM AMLSim数据集，并纳入了账户国家和平均行为等新特征，这提高了包括决策树和图神经网络在内的各种模型的性能。分析显示，从这些扩展特征中获益最多的模型也表现出更大的公平性违规，凸显了在关键AML应用中预测准确性与公平性之间的权衡。 AI

影响 引入了减轻金融人工智能系统偏见的方法，有可能提高关键应用中的公平性。

排序理由 该集群包含一篇详细介绍新研究方法的学术论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新方法检测人工智能驱动的反洗钱系统中的不公平性

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Lea Multerer, Michele Inchingolo, David Kletz, Adrian Cosma, Alessandro Antonucci, Martina Gogova ·

    Counterfactual Methods for Detecting Unfairness in Anti-Money Laundering Algorithms

    arXiv:2607.05101v1 Announce Type: new Abstract: The application of machine learning-based predictive algorithms to Anti-Money Laundering (AML) has grown rapidly, driven by the vast volume of financial transaction data available to banks. These algorithms are typically trained not…

  2. arXiv cs.LG TIER_1 English(EN) · Martina Gogova ·

    用于检测反洗钱算法中不公平性的反事实方法

    The application of machine learning-based predictive algorithms to Anti-Money Laundering (AML) has grown rapidly, driven by the vast volume of financial transaction data available to banks. These algorithms are typically trained not only on transactional data but also on sensitiv…

相关实体

相关话题