CN114399384A - 一种基于隐私计算的风险策略生成方法、***和装置 - Google Patents
一种基于隐私计算的风险策略生成方法、***和装置 Download PDFInfo
- Publication number
- CN114399384A CN114399384A CN202210299398.8A CN202210299398A CN114399384A CN 114399384 A CN114399384 A CN 114399384A CN 202210299398 A CN202210299398 A CN 202210299398A CN 114399384 A CN114399384 A CN 114399384A
- Authority
- CN
- China
- Prior art keywords
- data
- risk
- reconstructed
- strategy
- module
- 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
Images
Classifications
-
- 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
- G06Q40/03—Credit; Loans; Processing thereof
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于隐私计算的风险策略生成方法、***及装置，属于风险识别技术领域，包括数据提供方获取目标业务需要的原始数据，数据提供方对原始数据进行重构，获得重构数据并发送给数据使用方；数据使用方获取目标业务的数据标签，结合获取的重构数据计算出重构数据各个特征的信息价值指标值；根据计算出的信息价值指标值从重构数据中筛选出有效特征；根据获取的数据标签和筛选的有效特征，对重构数据进行分箱处理，计算各个分箱的风险指标；使用筛选的有效特征和计算出的风险指标生成解决目标业务问题的风险策略，将风险策略部署到线上业务，本发明既能解决外部数据难以保证客户隐私安全的问题，又能提高风险策略的精准度。
Description
技术领域
本发明属于风险识别技术领域，具体地说，涉及一种基于隐私计算的风险策略生成方法、***及装置。
背景技术
随着互联网技术的迅速发展，金融领域的在线业务量也突飞猛进，如信用贷款、抵押贷款等，但是业务快速发展的同时也会带来一定的风险，包括客户逾期违约造成经济损失、不法分子利用各种手段进行欺诈造成经济损失，因此，如何提升在线贷款业务的风险识别能力，成为了金融企业提高收益的关键问题。
为了能够识别在线业务中的风险，金融企业往往需要接入大量的外部数据来支撑风险策略的生成，但是在相关法律法规的要求下，企业需要严格保护个人隐私数据，遵循数据安全要求。
目前，传统的隐私计算通过对数据随机化来提供隐私保护，利用随机扰动后的数据来生成策略，然而这种方法存在着不可避免的问题，一方面随机化数据生成的策略效果一般，另一方面容易受到攻击，难以保证数据的隐私安全。
因此，对于金融企业来说，既能保证客户的数据隐私安全，又能高效精准地生成业务风险策略，成为当前亟需解决的技术问题。
发明内容
针对现有生成的风险策略效果一般，为了提高风险策略精准性又需要大量客户数据，而不能保护客户数据隐私的问题，本发明提供一种基于隐私计算的风险策略生成方法、***及装置。
为解决上述问题，本发明采用如下的技术方案。
一种基于隐私计算的风险策略生成方法，采用以下步骤：
步骤1：数据提供方获取目标业务需要的原始数据，数据提供方对原始数据进行重构，获得重构数据，并将重构数据发送给数据使用方；
步骤2：数据使用方获取目标业务的数据标签，结合步骤1获取的重构数据计算出重构数据各个特征的信息价值指标值；
步骤3：数据使用方根据步骤2计算出的信息价值指标值从重构数据中筛选出有效特征；
步骤4：数据使用方根据步骤2获取的数据标签和步骤3筛选的有效特征，对重构数据进行分箱处理，计算出各个分箱对应的风险指标；
步骤5：数据使用方使用步骤3筛选的有效特征和步骤4计算出的风险指标生成解决目标业务问题的风险策略；
步骤6：数据使用方将风险策略部署到线上业务。
为了达到保护客户隐私的目的，优选地，所述步骤1中对原始数据进行重构是采用自编码器进行重构。
为了让原始数据与重构数据之间即具有共同的统计特性，又有所差别，进一步的，所述自编码器是先使用编码器对数据降维压缩，然后使用解码器对数据进行升维解压，以此达到数据重构的效果，
为了使得数据更具有准确性，优选地，所述步骤2中的数据标签是根据客户数据的历史记录判断客户是否存在风险，以此将数据标记为不同的样本。
为了减少特征冗余对结果造成的影响，优选地，所述步骤3中筛选出有效特征是预设指标阈值，将各个特征计算出的信息价值指标值与指标阈值进行比较，大于指标阈值的为有效特征，小于和等于指标阈值的为无效特征。
为了让计算出的数据结果精确度更高，优选地，所述步骤4中对重构数据进行分箱处理采用等频分箱法进行分箱处理。
为了使得风险策略的准确性更高，优选地，所述步骤5中生成的风险策略为各个有效特征的策略集合。
为了让目标数据的客户隐私也能被保护，优选地，风险策略在线上业务的使用方法是由数据提供方对目标数据进行编码重构，数据使用方使用风险策略对编码重构后的目标数据进行判别。
一种基于隐私计算的风险策略生成***，包括：
数据重构模块，用于获取数据，并对数据进行重构；
指标计算模块，用于获取目标业务的数据标签，使用数据标签对重构后的数据进行计算，获取各个特征的信息价值指标值；
特征筛选模块，用于根据各个特征的信息价值指标值筛选出有效特征；
分箱模块，用于对重构后的数据进行分箱处理；
风险计算模块，用于根据目标业务的数据标签和特征筛选模块获得的有效特征对分箱后的重构数据进行计算，获取各个分箱对应的风险指标；
策略生成模块，用于结合特征筛选模块获得的有效特征和风险计算模块计算出的风险指标生成解决目标业务问题的风险策略；
业务判别模块，用于将策略生成模块生成的风险策略对数据重构模块重构的目标数据进行判别。
一种基于隐私计算的风险策略生成装置，所述装置包括服务处理器和分布存储器，所述服务处理器连接所述存储器，所述分布存储器中存储有服务自管理程序，配置用于存储机器可读指令，所述服务处理器执行所述服务自管理程序，指令在由所述处理器执行时，以实现如上所述的基于隐私计算的风险策略生成方法。
一种基于隐私计算的风险策略生成方法、***及装置，通过让数据提供方对原始数据进行重构，在保护客户隐私的前提下依然可以提供有效的数据，数据使用方先获取目标业务的数据标签，再计算出各个特征的信息价值指标值，然后从重构数据中筛选出有效特征，接着计算出各个分箱对应的风险指标并生成解决目标业务问题的风险策略，既能解决外部数据难以保证客户隐私安全的问题，又能提高风险策略的精准度。
相比于现有技术，本发明的有益效果为：
（1）本发明通过自编码器对外部数据重构，自编码器包括编码器和解码器，编码器和解码器为可以多层感知机，让原始数据和重构数据一方面两者具有共同的统计特性，能够保证基于两者生成策略的效果一致，另一方面两者的具体数据有所差别，使用重构数据生成策略可以保护客户的隐私；
（2）本发明关联目标业务的数据标签计算的各个特征的风险分布，计算出各个特征的信息价值指标值，筛选出有效特征，最终生成针对目标业务的风险策略，使得风险策略的精准度可以更加准确，减少风险发生率；
（3）本发明通过对重构数据进行分箱处理，可以减少计算结果的偏差，方便特征衍生，提升特征维度，让各个分箱对应的风险指标结果更加准确。
附图说明
为了更清楚地说明本申请实施例或示例性中的技术方案，下面将对实施例或示例性描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以按照这些附图示出的获得其他的附图。
图1为本发明的步骤示意图；
图2为本发明的流程示意图；
图3为本发明的数据重构示意图；
图4为本发明的***结构示意图；
图5为本发明的设备结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例，通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例，基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例1
如图1和图2所示，一种基于隐私计算的风险策略生成方法，具体流程如下：
确定目标业务所需的原始数据及数据提供方，所述目标业务可以为贷款业务、担保业务等业务，所述数据提供方指可以提供原始数据服务的公司，包括客户多头借贷、支付行为、信用历史等数据，数据提供方获取目标业务需要的原始数据，数据提供方对原始数据进行重构，对原始数据进行重构是采用自编码器进行重构，自编码器是神经网络的一种特定形式，自编码器是先使用编码器对数据降维压缩，然后使用解码器对数据进行升维解压，以此达到数据重构的效果，获得重构数据后将重构数据发送给数据使用方。
如图3所示，编码器和解码器各自可以实现为多层感知机，在编码器中，各层神经元数量逐层递减，即数据维度从8变到4再变到2，从而对输入的X进行逐层压缩，在解码器中，各层神经元数量逐层递增，即数据维度从2变到4再变到8，从而实现数据进行复原得到重构数据。
数据使用方根据客户数据的历史记录判断客户是否存在风险，若目标业务的客户为风险客户，则可以将该客户的数据标签标记为黑样本，若目标业务的客户为非风险客户，则可以将该客户的数据标签标记为白样本，以此将数据标记为不同的样本，获取目标业务的数据标签，结合获取的重构数据计算出重构数据各个特征的信息价值指标值。
数据使用方预设指标阈值，将各个特征计算出的信息价值指标值与指标阈值进行比较，大于指标阈值的为有效特征，小于和等于指标阈值的为无效特征，特征可以理解为“贷款金额”、“借贷次数”、“支付次数”等字段，而有效特征可能是信息价值指标值比较高的“贷款金额”等字段。
数据使用方根据获取的数据标签和筛选的有效特征，对重构数据采用等频分箱法进行分箱处理，计算出各个分箱对应的风险指标。
数据使用方使用筛选的有效特征和计算出的风险指标生成解决目标业务问题的风险策略，风险策略为各个有效特征的策略集合。
数据使用方将风险策略部署到线上业务，数据提供方对目标数据进行编码重构，数据使用方使用风险策略对编码重构后的目标数据进行判别。
通过上述描述可知，在本实例中，通过让数据提供方对原始数据进行重构，在保护客户隐私的前提下依然可以提供有效的数据，数据使用方先获取目标业务的数据标签，再计算出各个特征的信息价值指标值，然后从重构数据中筛选出有效特征，接着计算出各个分箱对应的风险指标并生成解决目标业务问题的风险策略，既能解决外部数据难以保证客户隐私安全的问题，又能提高风险策略的精准度。
实施例2
如图4所示，一种基于隐私计算的风险策略生成***，包括：
数据重构模块，用于获取数据，并对数据进行重构；
指标计算模块，用于获取目标业务的数据标签，使用数据标签对重构后的数据进行计算，获取各个特征的信息价值指标值；
特征筛选模块，用于根据各个特征的信息价值指标值筛选出有效特征；
分箱模块，用于对重构后的数据进行分箱处理；
风险计算模块，用于根据目标业务的数据标签和特征筛选模块获得的有效特征对分箱后的重构数据进行计算，获取各个分箱对应的风险指标；
策略生成模块，用于结合特征筛选模块获得的有效特征和风险计算模块计算出的风险指标生成解决目标业务问题的风险策略；
业务判别模块，用于将策略生成模块生成的风险策略对数据重构模块重构的目标数据进行判别。
通过上述描述可知，在本实例中，通过数据重构模块对原始数据进行重构，指标计算模块计算出各个特征的信息价值指标值，特征筛选模块筛选出有效特征，分箱模块对重构后的数据进行分箱处理，风险计算模块计算出各个分箱的风险指标，策略生成模块生成解决目标业务问题的风险策略，业务判别模块对数据重构模块重构的目标数据进行判别，在保护客户数据隐私的同时，也能让风险策略的精准度可以更加准确。
实施例3
如图5所示，一种基于隐私计算的风险策略生成装置，所述装置包括服务处理器和分布存储器，所述服务处理器连接所述存储器，所述分布存储器中存储有服务自管理程序，配置用于存储机器可读指令，所述服务处理器执行所述服务自管理程序，指令在由所述处理器执行时，以实现如实施例1所述的基于隐私计算的风险策略生成方法。
通过上述描述可知，在本实例中，通过让数据提供方对原始数据进行重构，在保护客户隐私的前提下依然可以提供有效的数据，数据使用方先获取目标业务的数据标签，再计算出各个特征的信息价值指标值，然后从重构数据中筛选出有效特征，接着计算出各个分箱对应的风险指标并生成解决目标业务问题的风险策略，既能解决外部数据难以保证客户隐私安全的问题，又能提高风险策略的精准度。
以上所述实施例仅表达了本发明的优选实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形、改进及替代，这些都属于本发明的保护范围。
Claims (10)
1.一种基于隐私计算的风险策略生成方法，其特征在于，采用以下步骤：
步骤1：数据提供方获取目标业务需要的原始数据，数据提供方对原始数据进行重构，获得重构数据，并将重构数据发送给数据使用方；
步骤2：数据使用方获取目标业务的数据标签，结合步骤1获取的重构数据计算出重构数据各个特征的信息价值指标值；
步骤3：数据使用方根据步骤2计算出的信息价值指标值，从重构数据中筛选出有效特征；
步骤4：数据使用方根据步骤2获取的数据标签和步骤3筛选的有效特征，对重构数据进行分箱处理，计算出各个分箱对应的风险指标；
步骤5：数据使用方使用步骤3筛选的有效特征和步骤4计算出的风险指标生成解决目标业务问题的风险策略；
步骤6：数据使用方将风险策略部署到线上业务。
2.根据权利要求1所述的一种基于隐私计算的风险策略生成方法，其特征在于：所述步骤1中对原始数据进行重构是采用自编码器进行重构。
3.根据权利要求2所述的一种基于隐私计算的风险策略生成方法，其特征在于：所述自编码器是先使用编码器对数据降维压缩，然后使用解码器对数据进行升维解压，以此达到数据重构的效果。
4.根据权利要求1所述的一种基于隐私计算的风险策略生成方法，其特征在于：所述步骤2中的数据标签是根据客户数据的历史记录判断客户是否存在风险，以此将数据标记为不同的样本。
5.根据权利要求1所述的一种基于隐私计算的风险策略生成方法，其特征在于：所述步骤3中筛选出有效特征是预设指标阈值，将各个特征计算出的信息价值指标值与指标阈值进行比较，大于指标阈值的为有效特征，小于和等于指标阈值的为无效特征。
6.根据权利要求1所述的一种基于隐私计算的风险策略生成方法，其特征在于：所述步骤4中对重构数据进行分箱处理采用等频分箱法进行分箱处理。
7.根据权利要求1所述的一种基于隐私计算的风险策略生成方法，其特征在于：所述步骤5中生成的风险策略为各个有效特征的策略集合。
8.根据权利要求1所述的一种基于隐私计算的风险策略生成方法，其特征在于：风险策略在线上业务的使用方法是由数据提供方对目标数据进行编码重构，数据使用方使用风险策略对编码重构后的目标数据进行判别。
9.一种基于隐私计算的风险策略生成***，其特征在于，包括：
数据重构模块，用于获取数据，并对数据进行重构；
指标计算模块，用于获取目标业务的数据标签，使用数据标签对重构后的数据进行计算，获取各个特征的信息价值指标值；
特征筛选模块，用于根据各个特征的信息价值指标值筛选出有效特征；
分箱模块，用于对重构后的数据进行分箱处理；
风险计算模块，用于根据目标业务的数据标签和特征筛选模块获得的有效特征对分箱后的重构数据进行计算，获取各个分箱对应的风险指标；
策略生成模块，用于结合特征筛选模块获得的有效特征和风险计算模块计算出的风险指标生成解决目标业务问题的风险策略；
业务判别模块，用于将策略生成模块生成的风险策略对数据重构模块重构的目标数据进行判别。
10.一种基于隐私计算的风险策略生成装置，其特征在于，所述装置包括服务处理器和分布存储器，所述服务处理器连接所述存储器，所述分布存储器中存储有服务自管理程序，配置用于存储机器可读指令，所述服务处理器执行所述服务自管理程序，指令在由所述处理器执行时，以实现如权利要求1-8所述的基于隐私计算的风险策略生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210299398.8A CN114399384A (zh) | 2022-03-25 | 2022-03-25 | 一种基于隐私计算的风险策略生成方法、***和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210299398.8A CN114399384A (zh) | 2022-03-25 | 2022-03-25 | 一种基于隐私计算的风险策略生成方法、***和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114399384A true CN114399384A (zh) | 2022-04-26 |
Family
ID=81234691
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210299398.8A Pending CN114399384A (zh) | 2022-03-25 | 2022-03-25 | 一种基于隐私计算的风险策略生成方法、***和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114399384A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117032828A (zh) * | 2023-08-14 | 2023-11-10 | 江苏智先生信息科技有限公司 | 一种定制化专用***平台批量自动配置方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110443618A (zh) * | 2019-07-10 | 2019-11-12 | 阿里巴巴集团控股有限公司 | 风控策略的生成方法及装置 |
| CN110472827A (zh) * | 2019-07-10 | 2019-11-19 | 阿里巴巴集团控股有限公司 | ***策略预警方法、装置、服务器及可读存储介质 |
| US20200104470A1 (en) * | 2016-06-10 | 2020-04-02 | OneTrust, LLC | Data processing systems and methods for efficiently assessing the risk of privacy campaigns |
| CN113297804A (zh) * | 2021-06-24 | 2021-08-24 | 上海交通大学 | 基于U-Transformer多层次特征重构的异常检测方法及*** |
| CN113610107A (zh) * | 2021-07-02 | 2021-11-05 | 同盾科技有限公司 | 特征优化方法及装置 |
| CN114139147A (zh) * | 2021-11-30 | 2022-03-04 | 中国工商银行股份有限公司 | 一种针对性攻击防御方法及装置 |
-
2022
- 2022-03-25 CN CN202210299398.8A patent/CN114399384A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200104470A1 (en) * | 2016-06-10 | 2020-04-02 | OneTrust, LLC | Data processing systems and methods for efficiently assessing the risk of privacy campaigns |
| CN110443618A (zh) * | 2019-07-10 | 2019-11-12 | 阿里巴巴集团控股有限公司 | 风控策略的生成方法及装置 |
| CN110472827A (zh) * | 2019-07-10 | 2019-11-19 | 阿里巴巴集团控股有限公司 | ***策略预警方法、装置、服务器及可读存储介质 |
| CN113297804A (zh) * | 2021-06-24 | 2021-08-24 | 上海交通大学 | 基于U-Transformer多层次特征重构的异常检测方法及*** |
| CN113610107A (zh) * | 2021-07-02 | 2021-11-05 | 同盾科技有限公司 | 特征优化方法及装置 |
| CN114139147A (zh) * | 2021-11-30 | 2022-03-04 | 中国工商银行股份有限公司 | 一种针对性攻击防御方法及装置 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117032828A (zh) * | 2023-08-14 | 2023-11-10 | 江苏智先生信息科技有限公司 | 一种定制化专用***平台批量自动配置方法 |
| CN117032828B (zh) * | 2023-08-14 | 2024-01-26 | 江苏智先生信息科技有限公司 | 一种定制化专用***平台批量自动配置方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Levi | Assessing the trends, scale and nature of economic cybercrimes: overview and Issues: In Cybercrimes, cybercriminals and their policing, in crime, law and social change | |
| Li et al. | SEC's cybersecurity disclosure guidance and disclosed cybersecurity risk factors | |
| Smith et al. | Do auditors price breach risk in their audit fees? | |
| Bose et al. | Adoption of identity theft countermeasures and its short-and long-term impact on firm value. | |
| Bose et al. | The impact of adoption of identity theft countermeasures on firm value | |
| US20100057622A1 (en) | Distributed Quantum Encrypted Pattern Generation And Scoring | |
| US20130036038A1 (en) | Financial activity monitoring system | |
| CN110335144B (zh) | 个人电子银行账户安全检测方法及装置 | |
| CN114399384A (zh) | 一种基于隐私计算的风险策略生成方法、***和装置 | |
| US11356469B2 (en) | Method and apparatus for estimating monetary impact of cyber attacks | |
| Cong et al. | Blockchain forensics and crypto-related cybercrimes | |
| Abdulla | Digital image steganography: challenges, investigation, and recommendation for the future direction | |
| Cong et al. | The dark side of crypto and Web3: crypto-related scams | |
| Serrasqueiro et al. | Risk reporting: do country-level institutional forces really matter? | |
| Hogan | A Global Comparison of Corporate Value Adjustments to News of Cyber Attacks | |
| Rusmita et al. | Capital market volatility MGARCH analysis: Evidence from Southeast Asia | |
| Yusoff et al. | Areas of Technology That Helps in Combating Money Laundering: A Concept Paper | |
| Nobanee et al. | A Disclosure Index To Measure The Extent Of Anti-Fraud Reporting In Banks | |
| Leung et al. | Indirect financial loss of phishing to global market | |
| CN111882330A (zh) | 一种金融防欺诈分析方法、装置、设备和存储介质 | |
| Lee et al. | When does financial misconduct result in external whistle-blowing: A comparison between external whistle-blowing and internal reporting | |
| Basu et al. | The shape of the cybersecurity insurance industry: 2015-2020. | |
| Liu et al. | Big Data Analysis with No Digital Footprints Available: Evidence from Cyber-Telecom Fraud | |
| Masuch et al. | The Double-Edged Sword of Health Data Breaches: A Comparison of Customer and Stock Price Perspectives on the Impact of Data Breaches of Response Strategies | |
| Schreyer et al. | Leaking sensitive financial accounting data in plain sight using deep autoencoder neural networks |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220426 |