Fraud Detection
PulseAugur coverage of Fraud Detection — every cluster mentioning Fraud Detection across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
欺诈检测评分层开发凸显MLOps挑战
作者详细介绍了欺诈检测系统评分层的开发过程，最初侧重于AUC等离线指标。但随着系统遇到现实世界的复杂性以及对持续、实时准确性的需求，这种方法被证明是不够的，突显了MLOps中理论性能与实际应用之间的差距。
-
新型扩散模型解决不平衡数据以用于欺诈检测
研究人员推出了一种名为 Quantile-TabDDPM 的新型扩散模型，旨在解决金融科技和医疗保健等领域常见的、高度不平衡的表格数据挑战。标准的扩散模型由于其二次误差损失而难以处理偏斜数据集，因为它会忽略罕见的、关键的实例。Quantile-TabDDPM 通过在标准目标之外加入分位数损失项来增强这些模型，从而能够更好地捕捉极端值和少数类。在真实的信用卡交易数据集上的评估证明了其在欺诈检测方面的有效性。
-
使用MLOps和机器学习构建金融科技欺诈情报引擎
本文详细介绍了为金融科技（fintech）公司构建全面的欺诈检测系统。它涵盖了从生成合成交易数据到实施实时监控和欺诈情报自动化的整个过程。该系统利用机器学习和强大的数据管道提供实时分析，旨在提高欺诈活动的早期检测能力并加强整体风险管理。
-
MLOps案例研究：实时欺诈检测模型部署
本文详细介绍了个人在MLOps方面的案例研究，重点关注欺诈检测模型从开发笔记本到实时分类系统的转变。作者强调了他们之前主要在模型开发方面的经验，例如特征工程和优化ROC-AUC等性能指标，并概述了为生产环境实施MLOps实践所采取的实际步骤。
-
Databricks 概述了金融领域的人工智能用例和负责任的部署
Databricks 发布了一份指南，详细介绍了人工智能在金融领域的实际应用，涵盖信用评分、算法交易和金融自动化等领域。该指南通过可解释的人工智能、数据沿袭文档记录以及对参与关键金融决策的人工智能代理进行人工监督，强调负责任的部署。它还概述了一个分阶段的实施方法，首先进行优先试点项目和严格评估，然后再进行企业范围的扩展。
-
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。