一个人工智能驱动的多模式传感器融合框架,用于在短视频和直播平台上识别欺诈行为

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:

• 短视频平台和直播商业产生复杂的多式联络传感器数据.
• 传统的欺诈检测方法难以处理这些数据的时间依赖性和跨模式合,特别是在早期阶段.
• 在异构的数据流中检测微妙的,不断演变的欺诈信号仍然是一个重大挑战.

研究的目的:

• 提出一个人工智能驱动的多式传感器感知框架,用于在短视频环境中检测时间欺诈.
• 解决传统单模或静态分析范式在捕获早期异常线索方面的局限性.
• 通过描述欺诈活动的逐步加剧,实现积极的欺诈预警.

主要方法:

• 开发了一种多式时空对齐模块,以同步不同颗粒度的传感器信号.
• 构建了一个共享的时代编码网络,用于从多式联络序列中学习进化意识的表示.
• 引入了一种跨模式的时间注意力融合机制,用于动态加权传感器贡献.
• 创建了一个欺诈演变建模和早期风险预测模块,用于评估不完整时间数据的风险.

主要成果:

• 拟议的AI框架实现了高性能指标:准确度为0.941,精度为0.865,回忆率为0.812,F1得分为0.838,AUC为0.956.
• 与基于文本,基于视觉,时间和传统的多式联络基线相比,表现出显著的优势.
• 在早期检测 (内容的前30%) 中保持了性能优势,精度为0.812,回忆率为0.704,F1得分为0.754.

结论:

• 人工智能驱动的传感框架对于在短视频环境中检测时间欺诈是有效的.
• 该模型捕获弱异常线索和跨多式联网数据不断演变的欺诈模式的能力得到了验证.
• 该框架为在动态的在线生态系统中主动进行欺诈预警和风险评估提供了强大的解决方案.