IEEE-CIS
PulseAugur coverage of IEEE-CIS — every cluster mentioning IEEE-CIS across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的FraudBench基准揭示了AI金融风险模型中的协议敏感性
一项名为FraudBench的新基准已被开发出来，用于评估用于金融欺诈和信用风险检测的机器学习模型的对抗鲁棒性。该基准强调，鲁棒性结论高度依赖于评估协议，尤其是在域约束和攻击者能力方面。例如，在使用Lending Club贷款数据时，一种协议在相同的扰动预算下产生的可实现翻转示例比另一种协议多得多。研究结果表明，欺诈鲁棒性评估应联合报告预测降级和攻击可行性，并将域约束直接整合到攻击生成中。
-
新框架通过考虑证据新鲜度优化欺诈自动化
研究人员开发了一个名为“新鲜度约束审计能力”（FCAC）的新型决策支持框架，以帮助欺诈运营确定何时自动化操作。该框架考虑了操作风险、证据新鲜度和共享审查能力，以在管理工作量的同时优化自动化率。在IEEE-CIS、ULB-Worldline和Elliptic++等数据集上进行的实验表明，自动化率在67.4%到84.4%之间，相应的审查工作量在24.1%到46.0%之间。研究结果强调了审计新鲜度和分析师能力在设计有效的欺诈检测系统中的关键相互作用。
-
新框架通过嵌入逃避逻辑来欺骗 AI 可解释性审计员
研究人员开发了一个名为“Crushing the Evidence”的新框架，可以欺骗白盒可解释人工智能（XAI）审计员。这种双重惩罚逃避技术将逃避逻辑直接嵌入模型参数中，使其能够生成平滑的、分布内的预测，从而绕过异常检测方法。在四个基准数据集上的实证评估表明，该框架可以将目标特征归因降低到接近零，同时保持超过 90% 的攻击成功率。
-
实体嵌入在高基数欺诈检测基准测试中领先
一篇新的研究论文探讨了不同类别编码方法在高基数欺诈检测中的有效性。该研究在IEEE-CIS欺诈基准数据集上测试了七种编码器，并使用LightGBM和CatBoost学习器比较了它们的性能。实体嵌入达到了最高的AUC-ROC得分，紧随其后的是CatBoost，并且显著优于层级分组编码。然而，在AUC-PR方面，CatBoost领先，表明没有一种编码器在两项指标上都占主导地位。研究表明，实体嵌入由于能够捕获联合多列表示而具有优势。
-
人工智能治理框架整合美国银行业法规以进行欺诈检测
研究人员开发了一个新框架，以帮助美国金融机构应对人工智能驱动的欺诈检测的复杂监管环境。该框架名为RGF-AFFD，整合了四个关键监管机构的要求：OCC、SR 11-7、CFPB和FinCEN。它为模型开发、验证和监控提供了一种结构化方法，旨在确保持续合规。