边缘机器学习欺诈检测中的数据分布偏移分布式监控
计算工程、金融与科学
2024-01-11 v1 人工智能
摘要
数字时代金融欺诈显著增加。边缘机器学习(edge ML)作为智能手机支付服务欺诈检测的一种有前景的解决方案应运而生，它支持将机器学习模型直接部署在边缘设备上。这种方法能够实现更具个性化的实时欺诈检测。然而，当前研究中的一个显著空白是缺乏一个鲁棒的系统来监控这些分布式边缘机器学习应用中的数据分布偏移。我们的工作通过引入一个新颖的开源框架来填补这一空白，该框架专为在边缘设备网络上持续监控数据分布偏移而设计。我们的系统包含一种在分布式边缘设备网络上计算柯尔莫哥洛夫-斯米尔诺夫(KS)检验的创新方法，能够高效且准确地监控用户行为偏移。我们使用真实世界和合成的金融交易数据集对所提出的框架进行了全面评估，并展示了该框架的有效性。
引用
@article{arxiv.2401.05219,
title = {Distributed Monitoring for Data Distribution Shifts in Edge-ML Fraud Detection},
author = {Nader Karayanni and Robert J. Shahla and Chieh-Lien Hsiao},
journal= {arXiv preprint arXiv:2401.05219},
year = {2024}
}