基于稀疏变高斯近似的信用卡欺诈检测
机器学习
2024-06-27 v1 机器学习
摘要
欺诈活动对许多金融机构而言是代价高昂的问题,每年使企业损失数十亿美元。在这方面更常见的是信用卡欺诈。在此背景下,信用卡欺诈检测概念沿着将不确定性纳入预测系统以确保在此关键任务中更好判断的思路发展。我们提出使用稀疏高斯分类方法处理大型数据集,并运用伪输入或诱导输入的概念。我们以不同的核集合和不同数量的诱导数据点进行实验,表明选用RBF核与较多数目诱导点时获得最佳精度。我们的方法鉴于所采用的随机性质能够处理大型金融数据,并且预测方差低、测试精度良好,表明模型具有置信度与鲁棒性。利用结合诱导点现象的贝叶斯学习技术,我们成功获得了良好的准确率和较高的置信分数。
引用
@article{arxiv.2007.07181,
title = {Towards Credit-Fraud Detection via Sparsely Varying Gaussian Approximations},
author = {Harshit Sharma and Harsh K. Gandhi and Apoorv Jain},
journal= {arXiv preprint arXiv:2007.07181},
year = {2024}
}