人工智能在欺诈性银行操作识别中的应用

arXiv cs.LG 论文
machine-learning fraud-detection banking artificial-intelligence neural-networks imbalanced-data

摘要

本文研究了人工智能和机器学习算法在识别欺诈性银行交易中的应用，提出了预处理技术并比较了多种模型。人工神经网络和堆叠泛化方法取得了更高的AUC分数，最佳结果约为0.954。

arXiv:2608.07471v1 公告类型：新 摘要：本研究考虑了应用人工智能识别银行欺诈的任务。近年来，由于COVID-19疫情，许多操作大规模转移到在线平台，以及许多犯罪分子可利用来欺骗用户的慈善基金的出现，银行欺诈变得更加普遍。本研究专注于机器学习算法，作为分析和识别在线银行交易的合适工具。本研究的科学新颖性在于开发了用于识别欺诈性银行交易的机器学习模型，以及用于预处理银行数据以进一步比较和选择最佳结果的技术。本文还详细介绍了提高检测准确性的各种方法，即处理高度不平衡的数据集、特征变换和特征工程。所提出的基于人工神经网络的模型有效提高了欺诈交易检测的准确性。不同算法的结果以可视化呈现，其中逻辑回归算法表现最佳，输出的AUC值约为0.946。堆叠泛化显示出更好的AUC，为0.954。使用人工智能算法识别银行欺诈是我们数字社会中的一个热点问题。
查看原文
查看缓存全文

缓存时间: 2026/08/11 08:05 

# 人工智能在欺诈性银行操作识别中的应用
来源：https://arxiv.org/abs/2608.07471
查看PDF (https://arxiv.org/pdf/2608.07471)

> 摘要：本研究探讨了应用人工智能识别银行欺诈的任务。近年来，由于COVID-19疫情，大量操作转移至线上平台，以及许多犯罪分子可利用来欺骗用户的慈善基金的建立，银行欺诈变得更为普遍。本工作侧重于机器学习算法，将其作为分析和识别在线银行交易的合适工具。本研究的科学创新在于开发用于识别欺诈性银行交易的机器学习模型，以及预处理银行数据的技术，以便进一步比较和选择最佳结果。本文还详细介绍了提高检测准确性的各种方法，即处理高度不平衡的数据集、特征变换和特征工程。所提出的基于人工神经网络的模型有效地提高了欺诈交易检测的准确性。不同算法的结果已可视化，其中逻辑回归算法表现最佳，输出的AUC值约为0.946。堆叠泛化显示出更优的AUC，为0.954。使用人工智能算法识别银行欺诈是当今数字社会中的一个热点问题。

## 提交历史

来自：Solomia Fedushko [查看电子邮件](https://arxiv.org/show-email/2c7d6c58/2608.07471) **[v1]** 2026年4月23日星期四 11:14:49 UTC (515 KB)

相似文章