基于深度学习与马尔可夫转移场处理序列行为数据在在线欺诈检测中的应用
机器学习
2018-08-17 v1 信息检索
机器学习
摘要
由于互联网和智能移动设备的普及,越来越多的金融交易和活动已实现数字化。相较于使用信用相关特征的传统金融欺诈检测策略,客户每秒都在产生大量非结构化行为数据。在本文中,我们提出一种基于循环神经网络(RNN)的深度学习结构,并结合马尔可夫转移场(MTF),利用客户与网站或智能手机应用的交互作为状态序列来预测在线欺诈行为。在实践中,我们测试并证明,相较于多层感知机网络和以动态时间规整(DTW)为距离度量的基于距离的 classifier,所提出的用于处理序列行为数据的网络结构能显著提升欺诈预测能力。
引用
@article{arxiv.1808.05329,
title = {Sequential Behavioral Data Processing Using Deep Learning and the Markov Transition Field in Online Fraud Detection},
author = {Ruinan Zhang and Fanglan Zheng and Wei Min},
journal= {arXiv preprint arXiv:1808.05329},
year = {2018}
}
备注
KDD2018 Data Science in Fintech Workshop Paper