相关实验视频
基于Gated关注的生成对抗网络,用于不平衡的信用卡欺诈检测和欺诈
Jiangmeng Ge1, Lanxiang Yin2, Shiqing Zhang1
1Institute of Intelligent Information Processing, Taizhou University, Taizhou, Zhejiang, China.
PeerJ. Computer science
|September 24, 2025
概括
这项研究引入了一种新的深度学习框架,即基于关注的生成对抗网络 (GA-GAN),用于打击信用卡欺诈. GA-GAN有效地生成合成数据以解决阶级不平衡问题,在欺诈检测方面表现优于现有的方法.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 信用卡欺诈对金融安全构成重大威胁.
- 交易数据中的阶级不平衡对欺诈检测模型构成了重大挑战.
- 现有的方法很难有效地处理不平衡的数据集,以准确检测欺诈行为.
研究的目的:
- 提出一种新的深度学习框架,即基于注意力的门式生成对抗网络 (GA-GAN),用于检测信用卡欺诈.
- 为了应对信用卡交易数据中阶级不平衡的挑战.
- 为了生成高质量的合成数据,切实模拟欺诈行为.
主要方法:
- 开发了一个名为GA-GAN的新型深度学习框架.
- 集成生成对抗网络 (GAN) 具有关闭的注意力机制.
- 使用GA-GAN生成不平衡信用卡交易数据集的合成数据.
主要成果:
- 与最先进的方法相比,GA-GAN在两个公共信用卡数据集上表现优越.
- 该框架有效地生成了现实的合成欺诈交易数据.
- 在欺诈检测任务中成功解决了阶级不平衡问题.
结论:
- 在类不平衡的场景中,GA-GAN为检测信用卡欺诈提供了显著的优势.
- 拟议的框架为改善金融安全提供了一个强有力的解决方案.
- 生成的合成数据实际模拟欺诈活动,增强模型培训.