CN110046672A - 一种基于半监督学习的银行电子渠道异常交易确定方法 - Google Patents
一种基于半监督学习的银行电子渠道异常交易确定方法 Download PDFInfo
- Publication number
- CN110046672A CN110046672A CN201910335224.0A CN201910335224A CN110046672A CN 110046672 A CN110046672 A CN 110046672A CN 201910335224 A CN201910335224 A CN 201910335224A CN 110046672 A CN110046672 A CN 110046672A
- Authority
- CN
- China
- Prior art keywords
- semi
- supervised learning
- training
- electronic channel
- transaction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2155—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the incorporation of unlabelled data, e.g. multiple instance learning [MIL], semi-supervised techniques using expectation-maximisation [EM] or naïve labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Economics (AREA)
- Technology Law (AREA)
- Strategic Management (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
一种基于半监督学习的银行电子渠道异常交易确定方法,涉及机器学习技术领域,为解决现有异常交易确定技术中存在难度大、效率低、准确性差的问题,本发明在隐马尔科夫模型、时间序列模型(ARIMA)建立账户级别的历史交易序列模型的基础上进一步整合优化,以HMM为基础结合半监督聚类学习预测异常交易行为。本发明通过半监督聚类学习将每个时间截面的交易数据转化为一个时序的向量,并利用半监督学习克服标签数据稀少的问题,利用HMM对每个人的交易向量拟合生成对应的模型,并将半监督学习与HMM结合从截面数据和时序数据两个角度提升异常识别的准确率。采用机器学习来解决异常交易确定的问题,与传统的专家法相比极大的降低了难度,提高了工作效率。
Description
技术领域
本发明涉及机器学习技术领域,尤其是一种银行电子渠道异常交易确定方法。
背景技术
人民银行、银监会等监管机构对电子渠道的安全问题一直以来是非常重视的,提出了多项明确具体的监管要求。其中,银监会在《中国银监会办公厅关于进一步加强电子渠道风险防控工作的通知》中,对于商业银行要加强电子渠道可疑交易监控机制研究和***建设已经做出明确指示。“各银行业及其他金融机构要进一步研究和建设完善电子渠道风险监测***,加强对新签约后迅速转账、同一额度以及大额频繁转账等可疑交易的识别、事中干预与处置,建立可疑账户的黑名单制度和可疑交易的监测预警机制,不断提高资金流向监测、预警和控制措施的自动化程度,并进一步防范电子渠道的非法资金流动。
通常分类模型会使用决策树、logistic回归,但对于交易异常的识别往往缺少标签数据,难于建模,通常的处理方式是采用专家法,人为设计规则、指标,这种方式存在难度大,效率低等问题。再者利用聚类模型识别与其他交易明显差异的行为,但无监督学习的准确性评估无较好的方式,导致其模型的准确性往往无法保证。
发明内容
本发明的目的是:针对现有异常交易确定技术中存在难度大、效率低、准确性差的问题,提出一种基于半监督学习的银行电子渠道异常交易确定方法。
本发明采用如下技术方案实现:一种基于半监督学习的银行电子渠道异常交易确定方法,包括以下步骤:
步骤一:输入有标记样本集L和无标记样本集U,将L和U进行SMUC聚类,选出隶属度高的前r个无标记样本构建样本集R1,如果隶属度高的无标记样本不足r个,则直接用这些无标记样本构造R1,其中,r为SMUC聚类后选择无标记样本的数量,k为近邻参数;
步骤二:在两个不同视图上利用L分别训练出分类器h1和h2,分别用训练得到的分类器对R1分类;
步骤三:判定h1、h2对R1中的每一条样本分类是否一致,若该条记录一致,则将该样本加入到L中,若该条记录不一致,则用加权KNN对该不一致样本重新分类得到类标号,然后再将其加入到L;
步骤四:将R1从U中剔除,重复步骤一到三,直到U为空;
步骤五:将L中所有数据按用户分组,生成按用户分割的时序向量;
步骤六:对每个用户,利用时序标签向量生成HMM模型H,利用Baum-Welch算法求解HMM模型参数;
步骤七:H、h1、h2三者共同构成冠军模型,发生一笔交易,同时输入H、h1、h2中,若三者预测结果有两个以上判断为异常交易,则认为该交易为异常交易。
进一步的,所述步骤一中SMUC聚类具体步骤为:
步骤一一:初始化数据集;
步骤一二:初始化隶属度数组;
步骤一三:根据隶属度数组更新聚类中心;
步骤一四:根据聚类中心更新隶属度数组;
步骤一五:判定是否达到结束条件,即质心不再发生变化,没有达到则重复步骤一二至一四。
进一步的,所述步骤六中Baum-Welch算法具体步骤:
步骤六一:随机设置初始模型M0;
步骤六二:基于M0以及观察值序列O,训练新模型M*;
步骤六三:若满足条件||M*-M0||<ε,即训练已达到预期效果,结束,若不满足则执行步骤六四;
步骤六四:令M0=M*,继续步骤六二工作。
进一步的,所述步骤二中两个不同视图分别为贝叶斯网络和xgboost。
进一步的,所述步骤二中分类器h1和h2的训练方法为协同训练法。
进一步的,所述协同训练方法为Co-training算法、Tri-training算法或Co-forest算法。
进一步的,所述步骤三中加权KNN计算公式为:
其中,Di代表近邻i与待预测值x的距离,Wi代表其权重,f(x)是预测的数值型结果。
进一步的,所述步骤五中按用户分割使用sql中gourp by。
本发明采用上述技术方案,具有如下有益效果:本发明通过半监督聚类学习将每个时间截面的交易数据转化为一个时序的向量,并利用半监督学习克服标签数据稀少的问题,利用HMM对每个人的交易向量拟合生成对应的模型,并将半监督学习与HMM结合从截面数据和时序数据两个角度提升异常识别的准确率。
而且本发明采用机器学习来解决异常交易确定的问题,与传统的专家法相比极大的降低了难度,并且提高了工作效率。
附图说明
图1为本发明的异常交易确定流程框图。
具体实施方式
具体实施方式一:下面结合图1说明本实施方式,在本实施方式中,一种基于半监督学习的银行电子渠道异常交易确定方法,包括以下步骤:
步骤一:输入有标记样本集L和无标记样本集U,将L和U进行SMUC聚类,选出隶属度高的前r个无标记样本构建样本集R1,如果隶属度高的无标记样本不足r个,则直接用这些无标记样本构造R1,其中,r为SMUC聚类后选择无标记样本的数量,k为近邻参数;
步骤二:在两个不同视图上利用L分别训练出分类器h1和h2,分别用训练得到的分类器对R1分类;
步骤三:判定h1、h2对R1中的每一条样本分类是否一致,若该条记录一致,则将该样本加入到L中,若该条记录不一致,则用加权KNN对该不一致样本重新分类得到类标号,然后再将其加入到L;
步骤四:将R1从U中剔除,重复步骤一到三,直到U为空;
步骤五:将L中所有数据按用户分组,生成按用户分割的时序向量;
步骤六:对每个用户,利用时序标签向量生成HMM模型H,利用Baum-Welch算法求解HMM模型参数;
步骤七:H、h1、h2三者共同构成冠军模型,发生一笔交易,同时输入H、h1、h2中,若三者预测结果有两个以上判断为异常交易,则认为该交易为异常交易。
原理说明:对于线上的交易异常、或者申请异常,其异常手段往往变化极快,这就要求模型具有在线学习能力,能基于交易流水及时地自主地调节模型参数。曾有学者提出利用隐马尔科夫模型、时间序列模型(ARIMA)建立账户级别的历史交易序列模型。本文在此基础上,进一步整合优化,以HMM为基础结合半监督聚类学习预测异常交易行为。
异常交易模型主要依赖于半监督聚类模型,半监督聚类主要利用少量的背景知识来学习测量方法,修改评估聚类的目标函数,并改进优化过程。目前,半监督聚类的研究主要从两个方面出发:成对约束和度量测度以及利用协同学习将聚类问题转化为分类问题。
基于约束的方法依赖于用户提供的标签或成对约束来指导更合适的聚类算法,并调整估计的聚类的目标函数。主要方法是为目标函数添加约束并强制满足连接,或使用初始化条件来限制基于标签数据的聚类等等。显然,拥有更多成对约束信息以协助聚类是理想的。可以从已知的类标签信息导出成对约束关系,反之则不行。并且,与确定样本类标签信息相比,对关系形式的约束信息通常存在于各种领域和应用中,并且约束信息在实践中更容易获得和实用。其中,最为常用的算法有SSCA(semi-supervised spectralclustering algorithm based on pairwise constraints)。
最早由A.Blum和T.Mitchell提出了最初的协同训练算法(Co-training)。其使用两个学习器协作训练,训练两个学习器所需的数据集需要满足两个完全冗余的视图条件:1、有两个独立的数据集用来描述同一个问题;每个数据集都可以完整地描述问题。
本发明通过半监督聚类学习将每个时间截面的交易数据转化为一个时序的向量。然后,利用HMM对每个人的交易向量拟合生成对应的模型。
SMUC聚类的原理:
SFCM是一种基于目标函数的模糊聚类算法,它的损失函数构造如下:
其中,c为类别个数,n为样本个数,n`为有标记样本个数。
SMUC的损失函数进行拉格朗日优化后,可就得极值点对应的质心及隶属度。
隶属度矩阵为
质心为
如图1当完成SMUC聚类后,利用协同学习的思想分别训练分类器C1、C2
协同训练的原理:
定义示例空间X=X1×X2,其中X1,X2表示X的两个视图,每个示例x可以用(x1,x2)表示,x1表示示例x在视图X1中的特征向量,x2表示示例x在视图X2上的特征向量,假设示例空间X的目标函数是f,对于任意示例x,如果类标号是l,则f(x)=f1(x1)=f2(x2)=l。A.Blum和T.Mitchell在此基础上定义了“相容性”,D表示X上的某个分布,C1和C2分别是X1和X2定义的概念类,如果D上满足f1(x1)≠f2(x2)的示例x的概率为零,则目标函数f=(f1,f2)∈C1×C2与D相容。在相容性概念的基础上,即使C1,C2的复杂度很高,与分布D相容的目标概念机率不大。因此可以利用无标记数据帮助查找与相容的目标概念,这样的信息可以减少学习算法需要的有标记样本数。后人在其基础上逐步改进,形成了三类常用的算法:Co-training算法、Tri-training算法、Co-forest算法。
Co-training采用两个分类器进行协同训练,在协作训练的迭代中,每个分类器选择具有较高置信度的一些未标记样本并标记它们,并将它们交给另一个分类器进行学习直到退出算法。在协作训练算法中,重点是确保分类器的差异。如果两者差异性较小,会快速地结束协同训练,变为自学习。Co-training算法通过要求训练数据集满足两个冗余视图条件来保证参与协作训练的分类器的差异。两个完全冗余的视图要求数据集满足两个条件:1、有两个独立的数据集用于描述同一问题;
2、两个数据集都可以完整地描述问题。
算法Co-training:
(1)定义有标记数据集L,无标记数据集U;
(2)随机从U中选择u个无标记样本放入数据集U`;
(3)使用数据集L的视图1训练分类器h1;
(4)使用数据集L的视图2训练分类器h2;
(5)使用分类器h1标记U`中的p个正例和n个负例;
(6)使用分类器h2标记U`中的p个正例和n个负例;
(7)并将标记好的样本加入到数据集L中;
(8)随机从U选择2p+2n个样本补充到U`中;
(9)重复(2)至(8)步T次
Tri-training算法进一步放松了协同训练算法的执行条件,在不需要两个足够冗余的视图条件的情况下,通过三个分类器不可见投票来解决未标记样本的置信度的估计,从而避免耗时十倍的交叉验证。在迭代过程中,Tri-training算法将具有两个分类器的分类器分类为辅助分类器,以对未标记的数据进行分类。标记相同的未标记样本被认为是高可信度的示例。主分类器从训练中随机选择一些实例加入训练。Tri-trainning算法不使用增量学习。在该轮的迭代之后,在每轮中选择的未标记样本仍然在未标记的数据集中,从而避免噪声干扰。
Co-forest算法主要也是在Co-training算法上进行了拓展,同时结合了集成学习算法Random Forest选择有价值的未标记样本和预测。Co-forest算法使用N个分类器进行协同训练,对N个分类器采用随机森林算法的初始方法。在迭代训练的过程中,非分类数据由N个分类器投票,并且投票数高于阈值θ的未标记的样本被认为具有高可信度。
经过协同学习后,可由第五步获得训练好的分类器C1、C2以及标签数据集U,利用U按照人分类,形成时序向量,在时序向量基础上拟合HMM(利用Baum-Welch算法求解HMM模型参数),HMM拟合中求解等同于logistics、决策树的拟合。
HMM是一种较为常用的统计模型,用来描述一个含有隐含未知参数的马尔可夫过程,常用于语音识别等场景。在该模型中,观察值是关于状态的随机过程,而状态是关于时间的随机过程,因此HMM是一个双重随机过程。
一个HMM模型是由一个五元组来描述的:(Q,O,A,B,π)。其中:
Q={q1,q2…qN}:隐藏状态集合:
O={o1,o2…oM}:观察状态集合:
aij=P(Qt+1=qj|Qt=qi):隐藏状态间的转移概率矩阵;
B={bik},bik=P(Qt=ok|Qt=qi):隐藏状态到输出状态的概率矩阵;
π={πi},πi=P(Q1=qi):隐藏状态的初始概率分布。
应用于特定的事务场景,在上述5个元组中,隐藏状态表示特定的事务状态。观察状态是每个事务的可观察状态。然而,原始的HMM模型假设它不能处理一个以上的标记特征,并且每个事务中的多个特征将在交易异常分析中发挥作用。因此,这里的思想是将每个事务的多个可观察特征组合成一个符号。首先根据经验及统计分析等方法挑选原始变量。在实际交易行为中,像交易金额、交易时间、交易地点、交易网络IP、设备指纹、操作习惯等等都可以作为用于风险监控的变量。实时***需要将交易记录进行特征映射,处理完毕后,每条交易记录就对应一个交易特征向量。
本发明采用机器学习来解决异常交易确定的问题,与传统的专家法相比极大的降低了难度,并且提高了工作效率。
具体实施方式二:本实施方式是对具体实施方式一的进一步说明,本实施方式和具体实施方式一的区别是所述步骤一中SMUC聚类具体步骤为:
步骤一一:初始化数据集;
步骤一二:初始化隶属度数组;
步骤一三:根据隶属度数组更新聚类中心;
步骤一四:根据聚类中心更新隶属度数组;
步骤一五:判定是否达到结束条件,即质心不再发生变化,没有达到则重复步骤一二至一四。
具体实施方式三:本实施方式是对具体实施方式一的进一步说明,本实施方式和具体实施方式一的区别是所述步骤六中Baum-Welch算法具体步骤:
步骤六一:随机设置初始模型M0;
步骤六二:基于M0以及观察值序列O,训练新模型M*;
步骤六三:若满足条件||M*-M0||<ε,即训练已达到预期效果,结束,若不满足则执行步骤六四;
步骤六四:令M0=M*,继续步骤六二工作。
具体实施方式四:本实施方式是对具体实施方式一的进一步说明,本实施方式和具体实施方式一的区别是所述步骤二中两个不同视图分别为贝叶斯网络和xgboost。
具体实施方式五:本实施方式是对具体实施方式一的进一步说明,本实施方式和具体实施方式一的区别是所述步骤二中分类器h1和h2的训练方法为协同训练法。
具体实施方式六:本实施方式是对具体实施方式五的进一步说明,本实施方式和具体实施方式五的区别是所述协同训练方法为Co-training算法、Tri-training算法或Co-forest算法。
具体实施方式七:本实施方式是对具体实施方式一的进一步说明,本实施方式和具体实施方式一的区别是所述步骤三中加权KNN计算公式为:
其中,Di代表近邻i与待预测值x的距离,Wi代表其权重,f(x)是预测的数值型结果,k为元素个数。
具体实施方式八:本实施方式是对具体实施方式一的进一步说明,本实施方式和具体实施方式一的区别是所述步骤五中按用户分割使用sql中gourp by。
gourp by为sql中的语句。
需要注意的是,具体实施方式仅仅是对本发明技术方案的解释和说明,不能以此限定权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的,仍应落入本发明的保护范围内。
Claims (8)
1.一种基于半监督学习的银行电子渠道异常交易确定方法,其特征在于包括以下步骤:
步骤一:输入有标记样本集L和无标记样本集U,将L和U进行SMUC聚类,选出隶属度高的前r个无标记样本构建样本集R1,如果隶属度高的无标记样本不足r个,则直接用这些无标记样本构造R1,其中,r为SMUC聚类后选择无标记样本的数量,k为近邻参数;
步骤二:在两个不同视图上利用L分别训练出分类器h1和h2,分别用训练得到的分类器对R1分类;
步骤三:判定h1、h2对R1中的每一条样本分类是否一致,若该条记录一致,则将该样本加入到L中,若该条记录不一致,则用加权KNN对该不一致样本重新分类得到类标号,然后再将其加入到L;
步骤四:将R1从U中剔除,重复步骤一到三,直到U为空;
步骤五:将L中所有数据按用户分组,生成按用户分割的时序向量;
步骤六:对每个用户,利用时序标签向量生成HMM模型H,利用Baum-Welch算法求解HMM模型参数;
步骤七:H、h1、h2三者共同构成冠军模型,发生一笔交易,同时输入H、h1、h2中,若三者预测结果有两个以上判断为异常交易,则认为该交易为异常交易。
2.根据权利要求1所述的一种基于半监督学习的银行电子渠道异常交易确定方法,其特征在于:所述步骤一中SMUC聚类具体步骤为:
步骤一一:初始化数据集;
步骤一二:初始化隶属度数组;
步骤一三:根据隶属度数组更新聚类中心;
步骤一四:根据聚类中心更新隶属度数组;
步骤一五:判定是否达到结束条件,即质心不再发生变化,没有达到则重复步骤一二至一四。
3.根据权利要求1所述的一种基于半监督学习的银行电子渠道异常交易确定方法,其特征在于:所述步骤六中Baum-Welch算法具体步骤:
步骤六一:随机设置初始模型M0;
步骤六二:基于M0以及观察值序列O,训练新模型M*;
步骤六三:若满足条件||M*-M0||<ε,即训练已达到预期效果,结束,若不满足则执行步骤六四;
步骤六四:令M0=M*,继续步骤六二工作。
4.根据权利要求1所述的一种基于半监督学习的银行电子渠道异常交易确定方法,其特征在于:所述步骤二中两个不同视图分别为贝叶斯网络和xgboost。
5.根据权利要求1所述的一种基于半监督学习的银行电子渠道异常交易确定方法,其特征在于所述步骤二中分类器h1和h2的训练方法为协同训练法。
6.根据权利要求5所述的一种基于半监督学习的银行电子渠道异常交易确定方法,其特征在于:所述协同训练方法为Co-training算法、Tri-training算法或Co-forest算法。
7.根据权利要求1所述的一种基于半监督学习的银行电子渠道异常交易确定方法,其特征在于所述步骤三中加权KNN计算公式为:
其中,Di代表近邻i与待预测值x的距离,Wi代表其权重,f(x)是预测的数值型结果,k为元素个数。
8.根据权利要求1所述的一种基于半监督学习的银行电子渠道异常交易确定方法,其特征在于:所述步骤五中按用户分割使用sql中gourp by。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910335224.0A CN110046672A (zh) | 2019-04-24 | 2019-04-24 | 一种基于半监督学习的银行电子渠道异常交易确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910335224.0A CN110046672A (zh) | 2019-04-24 | 2019-04-24 | 一种基于半监督学习的银行电子渠道异常交易确定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110046672A true CN110046672A (zh) | 2019-07-23 |
Family
ID=67279046
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910335224.0A Pending CN110046672A (zh) | 2019-04-24 | 2019-04-24 | 一种基于半监督学习的银行电子渠道异常交易确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110046672A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110634067A (zh) * | 2019-09-25 | 2019-12-31 | 上海应用技术大学 | 银行账户异常交易识别方法 |
CN110751557A (zh) * | 2019-10-10 | 2020-02-04 | 中国建设银行股份有限公司 | 一种基于序列模型的异常资金交易行为分析方法及*** |
CN110910377A (zh) * | 2019-11-28 | 2020-03-24 | 哈尔滨工程大学 | 一种基于神经网络的脑梗死mri图像识别方法 |
CN111614690A (zh) * | 2020-05-28 | 2020-09-01 | 上海观安信息技术股份有限公司 | 一种异常行为检测方法及装置 |
CN113221115A (zh) * | 2021-07-09 | 2021-08-06 | 四川大学 | 基于协同学习的可视化恶意软件检测方法 |
CN114168648A (zh) * | 2021-11-11 | 2022-03-11 | 中国人民解放军国防科技大学 | 基于连续监督的鲁棒深度半监督异常检测方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101483763A (zh) * | 2008-12-16 | 2009-07-15 | 南京大学 | 一种面向社会治安监控的数字影像处理方法及其装置 |
US20140288917A1 (en) * | 2013-02-08 | 2014-09-25 | Machine Zone, Inc. | Systems and Methods for Multi-User Multi-Lingual Communications |
US9661163B1 (en) * | 2016-02-12 | 2017-05-23 | Xerox Corporation | Machine learning based system and method for improving false alert triggering in web based device management applications |
CN108564463A (zh) * | 2018-03-28 | 2018-09-21 | 中国银行股份有限公司 | 一种银行异常交易冲正方法及*** |
CN108563620A (zh) * | 2018-04-13 | 2018-09-21 | 上海财梵泰传媒科技有限公司 | 文本自动写作方法和*** |
CN108960304A (zh) * | 2018-06-20 | 2018-12-07 | 东华大学 | 一种网络交易欺诈行为的深度学习检测方法 |
-
2019
- 2019-04-24 CN CN201910335224.0A patent/CN110046672A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101483763A (zh) * | 2008-12-16 | 2009-07-15 | 南京大学 | 一种面向社会治安监控的数字影像处理方法及其装置 |
US20140288917A1 (en) * | 2013-02-08 | 2014-09-25 | Machine Zone, Inc. | Systems and Methods for Multi-User Multi-Lingual Communications |
US9661163B1 (en) * | 2016-02-12 | 2017-05-23 | Xerox Corporation | Machine learning based system and method for improving false alert triggering in web based device management applications |
CN108564463A (zh) * | 2018-03-28 | 2018-09-21 | 中国银行股份有限公司 | 一种银行异常交易冲正方法及*** |
CN108563620A (zh) * | 2018-04-13 | 2018-09-21 | 上海财梵泰传媒科技有限公司 | 文本自动写作方法和*** |
CN108960304A (zh) * | 2018-06-20 | 2018-12-07 | 东华大学 | 一种网络交易欺诈行为的深度学习检测方法 |
Non-Patent Citations (4)
Title |
---|
ABHINAV SRIVASTAVA 等: "Credit Card Fraud Detection Using Hidden Markov Model", 《IEEE TRANSACTIONS ON DEPENDABLE AND SECURE COMPUTING》 * |
CHUN YANG 等: "An unsupervised anomaly detection approach using subtractive clustering and hidden Markov model", 《2007 SECOND INTERNATIONAL CONFERENCE ON COMMUNICATIONS AND NETWORKING IN CHINA》 * |
李旭瑞 等: "基于流式聚类及增量隐马尔可夫模型的实时反欺诈***", 《计算机工程》 * |
龚彦鹭 等: "结合半监督聚类和加权KNN的协同训练方法", 《CNKI网络出版》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110634067A (zh) * | 2019-09-25 | 2019-12-31 | 上海应用技术大学 | 银行账户异常交易识别方法 |
CN110751557A (zh) * | 2019-10-10 | 2020-02-04 | 中国建设银行股份有限公司 | 一种基于序列模型的异常资金交易行为分析方法及*** |
CN110751557B (zh) * | 2019-10-10 | 2023-04-18 | 建信金融科技有限责任公司 | 一种基于序列模型的异常资金交易行为分析方法及*** |
CN110910377A (zh) * | 2019-11-28 | 2020-03-24 | 哈尔滨工程大学 | 一种基于神经网络的脑梗死mri图像识别方法 |
CN110910377B (zh) * | 2019-11-28 | 2023-01-03 | 哈尔滨工程大学 | 一种基于神经网络的脑梗死mri图像识别方法 |
CN111614690A (zh) * | 2020-05-28 | 2020-09-01 | 上海观安信息技术股份有限公司 | 一种异常行为检测方法及装置 |
CN111614690B (zh) * | 2020-05-28 | 2022-10-11 | 上海观安信息技术股份有限公司 | 一种异常行为检测方法及装置 |
CN113221115A (zh) * | 2021-07-09 | 2021-08-06 | 四川大学 | 基于协同学习的可视化恶意软件检测方法 |
CN114168648A (zh) * | 2021-11-11 | 2022-03-11 | 中国人民解放军国防科技大学 | 基于连续监督的鲁棒深度半监督异常检测方法及*** |
CN114168648B (zh) * | 2021-11-11 | 2024-05-14 | 中国人民解放军国防科技大学 | 基于连续监督的鲁棒深度半监督异常检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Song et al. | Multi-view ensemble learning based on distance-to-model and adaptive clustering for imbalanced credit risk assessment in P2P lending | |
CN110046672A (zh) | 一种基于半监督学习的银行电子渠道异常交易确定方法 | |
Priddy et al. | Artificial neural networks: an introduction | |
Guo et al. | A multi-stage self-adaptive classifier ensemble model with application in credit scoring | |
Hamida et al. | Performance Evaluation of Machine Learning Algorithms in Handwritten Digits Recognition | |
CN108984745A (zh) | 一种融合多知识图谱的神经网络文本分类方法 | |
CN111832647A (zh) | 异常流量检测***及方法 | |
Du et al. | An integrated framework based on latent variational autoencoder for providing early warning of at-risk students | |
Arora et al. | Time series model for bankruptcy prediction via adaptive neuro-fuzzy inference system | |
CN111222638A (zh) | 一种基于神经网络的网络异常检测方法及装置 | |
CN107220663A (zh) | 一种基于语义场景分类的图像自动标注方法 | |
CN115310589A (zh) | 一种基于深度图自监督学习的群体识别方法及*** | |
Jagric et al. | Does non-linearity matter in retail credit risk modeling? | |
Devi et al. | An efficient document clustering using hybridised harmony search K-means algorithm with multi-view point | |
Sugumar et al. | A technique to stock market prediction using fuzzy clustering and artificial neural networks | |
Lunga et al. | Online forecasting of stock market movement direction using the improved incremental algorithm | |
Shimizu et al. | Model interpretation using improved local regression with variable importance | |
Chen et al. | Predicting the japanese Yen to US dollar exchange rate based on machine learning models | |
Mousavi | A New Clustering Method Using Evolutionary Algorithms for Determining Initial States, and Diverse Pairwise Distances for Clustering | |
Wang et al. | Big data classification of learning behaviour based on data reduction and ensemble learning | |
Motzev et al. | Self-organizing data mining techniques in model based simulation games for business training and education | |
Huang | Fuzzy support vector machine using particle swarm optimization for high-tech enterprises financing risk assessment | |
Luo | Uncertainty Aware Based Deep Learning for Credit Card Fraud Detection | |
CN115952259B (zh) | 一种企业画像标签智能生成方法 | |
Doan | Ensemble Learning for Multiple Data Mining Problems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |