Fraud Detection
PulseAugur coverage of Fraud Detection — every cluster mentioning Fraud Detection across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新研究发现，在节点预测任务上，先进的GFM仅略优于GNN
一项最新研究重新评估了九种图基础模型（GFM）在节点属性预测任务上的表现。节点属性预测是图机器学习中的一项常见应用，用于欺诈检测和推荐系统等领域。研究发现，只有采用先验数据拟合网络（Prior-data Fitted Networks）范式的GFM才能优于精心调优的图神经网络（GNN）。然而，这些先进的GFM带来了更高的推理成本。
-
新的LLM-GNN框架提升欺诈检测性能
研究人员开发了一个新框架LGSPF，旨在利用大型语言模型（LLMs）和图神经网络（GNNs）来改进欺诈检测。该方法通过使用软提示将图结构与语义空间连接起来，解决了欺诈检测中有限文本数据的挑战，并避免了硬提示方法中常见的特征失真。LGSPF还包含一个并行的GNN编码器，用于将多关系图数据转换为令牌，以实现更好的LLM理解，在欺诈检测基准测试中取得了最先进的性能，并增强了语义可解释性。
-
新的PU学习方法在不平衡数据上表现优异
研究人员开发了一种新颖的正面和未标记（PU）学习方法，专门用于正面样本稀少且难以与负面样本区分的数据集。该方法利用聚焦的经验风险估计器来训练二元分类器，在不平衡数据集上的性能优于现有方法。该技术已在实际应用中证明了其有效性，包括检测财务报表错误。
-
研究发现AI可解释性（XAI）的Shapley值基准与人类效用不符
一篇新论文探讨了可解释人工智能（XAI）方法，特别是Shapley值变体的评估，在欺诈检测等高风险场景中的应用。研究人员发现，XAI的标准量化指标与人类的理解或决策效用不符。尽管测试的XAI模型并未提高分析师的绩效，但它们确实增加了决策信心，引发了对自动化偏见的担忧。