综述:《机器学习与深度学习在金融欺诈检测中的应用研究:架构、数据类型及实际部署挑战》 作者:Spiros Thivaios, Georgios Kostopoulos, Antonia Stefani, Sotiris Kotsiantis

《Algorithms》:A Survey of Machine Learning and Deep Learning for Financial Fraud Detection: Architectures, Data Modalities, and Real-World Deployment Challenges Spiros Thivaios, Georgios Kostopoulos, Antonia Stefani and Sotiris Kotsiantis

【字体: 大 中 小 】 时间:2026年05月05日 来源:Algorithms 2.1

编辑推荐:

   摘要 由于数字交易、在线银行服务和电子支付平台的快速增长,金融欺诈已成为现代金融系统面临的一个严峻挑战。传统的基于规则的欺诈检测系统在应对欺诈者不断变化的策略时越来越显

  

摘要

由于数字交易、在线银行服务和电子支付平台的快速增长,金融欺诈已成为现代金融系统面临的一个严峻挑战。传统的基于规则的欺诈检测系统在应对欺诈者不断变化的策略时越来越显得力不从心。因此,机器学习(ML)和深度学习(DL)技术成为了检测大规模金融数据集中欺诈行为的强大工具。本文对用于金融欺诈检测的ML/DL方法进行了全面综述,系统地回顾了多种方法论范式下的现有研究,包括经典监督学习、异常检测、基于图的方法、深度神经网络、多模态架构以及成本敏感学习框架。特别关注了诸如图神经网络、基于Transformer的架构以及为解决隐私和可扩展性挑战而设计的联邦学习方法等新兴技术。除了分析模型架构外,本文还探讨了欺诈检测系统所固有的关键问题,包括极端类别不平衡、概念漂移、对抗性行为、数据隐私限制以及实时部署要求。此外,本文还研究了评估方法,指出了常用评估指标的局限性,并讨论了能够结合运营成本和风险管理考虑的更现实的评估策略。本文还提供了欺诈检测方法的结构化分类体系、常用数据集的比较分析以及当前研究趋势的总结。最后,本文指出了开放性的研究方向和有前景的研究领域,包括自适应学习系统、可解释的人工智能模型、基于图的行为建模以及保护隐私的协作式欺诈检测框架。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号