Credit Card Fraud Detection: An Evaluation of SMOTE Resampling and Machine Learning Model Performance
PulseAugur coverage of Credit Card Fraud Detection: An Evaluation of SMOTE Resampling and Machine Learning Model Performance — every cluster mentioning Credit Card Fraud Detection: An Evaluation of SMOTE Resampling and Machine Learning Model Performance across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
量子核通过模拟变量交互来增强欺诈检测
研究人员开发了一种新颖的量子核，旨在改进机器学习模型，特别是在欺诈检测等变量交互至关重要的任务中。这种由交互驱动的量子核由纠缠的 Pauli 字符串特征图构建而成，明确编码了复杂的变量交互。实验表明，在合成数据和真实世界欺诈检测基准测试中，它始终优于传统核甚至工程基线，证明了其在捕捉区域敏感学习模式方面的有效性。
-
信用卡欺诈检测模型尽管F1分数良好但仍失败
使用机器学习构建了一个信用卡欺诈检测管道，但初步指标具有误导性。基于F1分数，13个模型中有6个看起来足够好，但没有一个能在识别实际欺诈交易时达到90%的精确率。这凸显了在实际应用中确保模型有效性，需要进行超越标准指标的严格评估。
-
新型图神经网络助力信用卡欺诈检测
一篇新研究论文介绍了一种用于信用卡欺诈检测的新型框架 TMR-GGNN，该框架利用时间感知、多关系图神经网络。该方法模拟了客户、商户、设备和 IP 之间随时间变化的复杂交互，并结合了时间注意力机制来衡量交易的相关性。该框架还采用对比学习和复合损失函数来提高对罕见欺诈案例的泛化能力并减少假阴性，从而应对数据不平衡和不断变化的欺诈模式等挑战。