PulseAugur
中
实时 22:52:30
English(EN) Temporal Contrastive Transformer for Financial Crime Detection: Self-Supervised Sequence Embeddings via Predictive Contrastive Coding

新型Transformer模型在金融犯罪检测方面展现潜力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种用于金融犯罪检测的时间对比Transformer (TCT) 模型，利用自监督学习从交易序列创建嵌入。虽然单独的TCT嵌入显示出0.8644的AUC的良好预测性能，但当与现有领域工程特征结合时，它们并未显著改善，实现了0.9205的AUC，而基线为0.9245。这表明该模型捕捉了相关的时间信号，但在超越既定特征工程方法方面增加了价值方面面临挑战，表明这是自动化金融犯罪分析中一个有前景但中间的步骤。 AI

影响 这项研究为金融犯罪检测提供了一种新的自监督方法，有可能减少对手动特征工程的依赖。

排序理由 该集群包含一篇详细介绍新模型及其实验结果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Danny Butvinik (NICE Actimize), Yonit Marcus (NICE Actimize), Nitzan Tal (NICE Actimize), Gabrielle Azoulay (NICE Actimize) ·

    Temporal Contrastive Transformer for Financial Crime Detection: Self-Supervised Sequence Embeddings via Predictive Contrastive Coding

    arXiv:2605.21490v1 Announce Type: new Abstract: We introduce the Temporal Contrastive Transformer (TCT), a representation learning framework designed to capture contextual temporal dynamics in sequences of financial transactions. The model is trained using a self-supervised contr…

相关实体

相关话题