标签
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。
作者构建了一个MCP工具,让AI智能体能够检索Google Maps评论者的完整历史和元数据,以审核评论并检测欺诈模式。
SeqLLM is a framework that injects behavioral-sequence modeling into pretrained LLMs while preserving language ability, enabling joint analysis of text and behavior for high-stakes decisions. Deployed at WeChat Pay, it improves merchant screening precision from 92.0% to 97.5% and achieves state-of-the-art results on open recommendation benchmarks.
本文针对尼日利亚金融科技中的POS欺诈检测,提出了一种分层人机分流模型,旨在消除因基础设施噪声而对农村代理造成的结构性偏见。该系统采用校准集成模型、专业分析师和高级主管,以实现实质机会平等,将区域性能差距从19.43个百分点降低至2.88个百分点。
RUBRIC是一个与生成器无关的过滤框架,用于不平衡分类,通过平衡实况(通过判别器)和效用(基于边界的评分)来选择合成样本,在信用卡欺诈检测等基准上提高了F1宏观和召回率。
本文介绍了一个探索性基准测试,用于在动态交易图中检测稀疏环欺诈,采用量子启发式上下文机器学习(CML)与GRU基线进行比较,发现结合身份保持与拓扑摘要的混合图特征取得了最佳结果。
评论指出,不将“按收款金额排序”转发给欺诈部门的决定始终是一种政策选择,反映了组织的优先级。
对本福特定律进行交互式探索,解释数字1作为首位数字出现约30%时间的数学现象,及其在欺诈检测中的应用。
本文在 IEEE-CIS 欺诈数据集上对七种类别编码方法进行了受控比较,使用固定的 LightGBM 学习器评估了准确性、可解释性和计算权衡,发现实体嵌入获得了最高的 AUC-ROC,但没有任何编码器在两个指标上都占优。
NVIDIA的博客文章描述了一个端到端的工作流,使用PyTorch原生的NeMo AutoModel预训练一个交易基础模型。该工作流使用GPU加速的数据处理和分词、仅解码器模型预训练以及嵌入提取,在IBM TabFormer数据集上将欺诈分类性能提升了超过40%。
本文提出了一种用于首次损失通知(FNOL)阶段保险欺诈检测的合成多模态框架。该框架生成对话记录和双说话人音频,将ASR、NER、LLM-RAG和说话人嵌入整合到一个基于规则的风险评分系统中。
提出用于金融欺诈检测的多流欺诈Transformer(MSFT),该模型使用Transformer独立编码交易、登录和风险事件流,并通过时间感知位置编码和门控融合进行融合,在大型数据集上实现了0.9961的AUROC。
提出TMR-GGNN,一种用于信用卡欺诈检测的时间感知多关系图神经网络,通过对比学习和焦点损失处理不平衡数据和不断演变的欺诈模式。
Sumsub的这篇文章探讨了针对创作者经济的AI驱动深度伪造欺诈日益增长的威胁,并提供了一份关于检测和防护方法的指南,以应对冒充和语音克隆诈骗。
一位实践者回顾了在生产环境中部署AI智能体的经历,指出80%的工程精力花费在工作流、所有权和审批流程上,而非模型本身。他强调,共享上下文和路由这些“无聊层”对于产生实际影响至关重要。
介绍了SAGE,首个端到端的LLM驱动的多智能体框架用于欺诈检测,它使用数据诊断树和具有自然语言梯度的马尔可夫决策过程,在类别不平衡下优化模型。实验表明,在五个数据集上,与基线相比F1有显著提升。
硅谷大佬Peter Thiel分享PayPal早期因欺诈濒临破产,通过人机协作(计算机筛选+人类定性调查)最终脱困的经历,指出这种协同范式被AI研究界低估。
金融机构正从孤立的AI模型转向基于Transformer架构的统一交易基础模型,如NVIDIA的报告和Revolut的PRAGMA模型所示,该模型改善了欺诈检测、信用评分和推荐,同时减少了特征工程工作量。
SilIF 通过基于轮廓的评分层增强了孤立森林,该层应用于每棵树路径长度指纹,在 IEEE-CIS 基准测试上平均提升 +0.0080 AUC-PR,改善了无监督交易欺诈检测性能。
一位商家详细描述了一起友好欺诈案例,其中 Stripe 拒绝利用明确的滥用证据来改进其跨商家欺诈检测系统,尽管其在推广 Radar 产品时声称利用全网信号。