基于时间知识蒸馏的标签增强用于金融异常检测
机器学习
2021-01-06 v1
摘要
检测异常对金融服务行业已变得愈发关键。异常事件常指示欺诈、身份盗用、网络入侵、账户接管和洗钱等非法活动。金融异常检测用例由于底层模式的动态性（尤其在对抗性环境如不断变化的欺诈策略中）面临严峻挑战。虽然用新模式重新训练模型绝对必要；但跟上快速变化会带来其他挑战，因为它使模型偏离旧模式或持续增大训练数据规模。由此产生的数据增长难以管理，并降低了模型对最新攻击的响应敏捷性。由于数据规模限制与追踪最新模式的需要，旧时间段在实践中常被丢弃，这反过来造成了漏洞。本研究中，我们提出一种标签增强方法，利用旧模型的学习来提升最新模型。实验结果表明，所提方法在显著减少训练时间的同时，提供了潜在的性能改进。
引用
@article{arxiv.2101.01689,
title = {Label Augmentation via Time-based Knowledge Distillation for Financial Anomaly Detection},
author = {Hongda Shen and Eren Kursun},
journal= {arXiv preprint arXiv:2101.01689},
year = {2021}
}