Q-SYNTH: Hybrid Quantum-Classical Adversarial Augmentation for Imbalanced Fraud Detection
Quantum Physics and Spintronics Team, LPMC, Faculty of Sciences Ben M'sick(量子物理与自旋电子团队,拉瓦尔学院,本·马西克科学学院);eBRAIN Lab, Division of Engineering, New York University Abu Dhabi (NYUAD)(eBRAIN实验室,工程学院,纽约大学阿布扎比分校(NYUAD));Center for Quantum and Topological Systems (CQTS), NYUAD Research Institute(量子与拓扑系统中心(CQTS),NYUAD研究机构)
本文提出Q-SYNTH,一种混合量子-经典对抗框架,用于生成不平衡欺诈检测中的少数类样本,通过量子电路生成器和经典神经网络判别器,提升欺诈检测的召回率和F1分数。
2026-05-20 cs.LG quant-ph
Graph-Transformer Fraud Detection with Self-Supervised Pretraining and Conformal Risk Control
JP Morgan(摩根大通)
针对企业交易网络中的协调欺诈,提出图变换器检测器GTFD,融合结构与时序证据,结合自监督预训练和保形风险控制,显著提升检测性能与鲁棒性。
2026-09-15 cs.AI cs.LG
FraudFox: Adaptable Fraud Detection in the Real World
Amazon.com, Inc.(亚马逊公司);Carnegie Mellon University(卡内基梅隆大学)
FraudFox通过动态重要权重的扩展卡尔曼滤波器解决资源受限环境下的对抗攻击问题,提出最优决策面和帕累托最优集以应对欺诈行为变化,已应用于亚马逊生产环境。
2026-03-13 cs.CR cs.LG
A Low-Latency Fraud Detection Layer for Detecting Adversarial Interaction Patterns in LLM-Powered Agents
University of California, San Diego(加州大学圣地亚哥分校);Indiana University Bloomington(印第安纳大学布卢明顿分校)
本文提出一种低延迟欺诈检测机制,通过交互轨迹的结构化运行时特征检测对抗性交互模式,采用轻量模型实现实时部署,实验表明交互层面行为检测应成为LLM代理部署时的核心防护措施。
2026-07-14 cs.AI
FraudJudger: Real-World Data Oriented Fraud Detection on Digital Payment Platforms
Shanghai Jiao Tong University(上海交通大学)
电子支付平台上的欺诈行为自动检测是一个难题。欺诈用户往往利用支付平台的漏洞和用户的粗心来骗取钱财、窃取密码、洗钱等,给数字支付平台和用户造成巨大损失。在实践中,欺诈检测面临许多挑战。传统的欺诈检测方法需要大规模的人工标注数据集,这在现实中很难获得。手动标记的数据耗费了大量的人力。此外,欺诈用户的持续快速演变使得很难根据现有的检测规则发现新的欺诈模式。在我们的工作中,我们提出了一个现实世界的数据为导向的检测范式,可以检测欺诈用户,并自动提升其检测能力。基于这一新范式,我们设计了一种新的欺诈检测模型FraudJudger,用于分析数字支付平台上的用户行为,并在训练中使用较少的标记数据检测欺诈用户。FraudJudger可以在对抗性自动编码器(AAE)的帮助下从未标记的数据中学习用户的潜在表示。此外,FraudJudger可以发现新的欺诈模式,从未知的用户通过聚类分析。我们的实验是基于真实世界的电子支付数据集。与其他著名的欺诈检测方法相比,FraudJudger可以达到更好的检测性能,只有10%的标记数据。
2019-09-05 cs.CR cs.LG
Locally Interpretable One-Class Anomaly Detection for Credit Card Fraud Detection
National Taiwain University(国立台湾大学)
针对高度不平衡的信用卡欺诈检测问题,现有的方法大多采用数据增强方法或传统的机器学习模型,缺乏基于神经网络的异常检测方法。此外,很少有研究采用人工智能可解释性工具来研究交易数据的特征重要性,这对于黑盒欺诈检测模块至关重要。综合考虑这两点,我们提出了一个新的信用卡欺诈检测的异常检测框架,以及一个模型解释模块负责预测解释。欺诈检测模型由两个深度神经网络组成,它们以无监督和对抗的方式进行训练。准确地说,生成器是一个AutoEncoder,旨在重建真实的交易数据,而加密器是一个用于欺诈检测的全连接网络。解释模块有三个白盒解释器,分别负责解释AutoEncoder、ESTA和整个检测模型。实验结果表明,与基线相比,我们的欺诈检测模型在基准数据集上的最先进的性能。此外,三个解释器的预测分析,提供了一个清晰的视角如何感兴趣的实例的每个功能有助于最终的模型输出。
2022-06-29 cs.AI cs.LG
Agentic AI Microservice Framework for Deepfake and Document Fraud Detection in KYC Pipelines
本文提出一种代理AI微服务框架,用于提升KYC流程中深度伪造和文档欺诈检测的准确性与实时性,同时增强对抗性输入的抵御能力。
2026-01-09 cs.AI cs.CR
Synthetic Data Generation for Fraud Detection using GANs
City, University of London(伦敦城市大学);BetBuddy Playtech Plc(贝特巴迪博彩科技公共有限公司)
随着消费者转向在线渠道,检测赌博中的洗钱活动对赌博业来说变得越来越具有挑战性。虽然多年来越来越严格的法规已经应用于防止赌博洗钱,但尽管如此,在线赌博仍然是犯罪分子花费犯罪收益的渠道。与传统的物理形式的赌博相比,补充在线赌博的增长对其影响提出了更多的担忧,因为它可能会引入更高水平的问题赌博或欺诈行为,因为它与在线赌博体验的直接互动性质。然而,在大多数情况下,组织试图解决这些领域的主要问题是缺乏高质量的数据。由于欺诈检测相关的问题面临的类不平衡的重大问题,在本文中,我们提出了一种新的系统,基于生成对抗网络(GANs)生成合成数据,以训练监督分类器。我们的框架合成数据生成GAN(SDG-GAN),设法优于基于密度的过采样方法,并提高了基准数据集和真实世界赌博欺诈数据集的分类性能。
2021-09-26 cs.CR cs.LG
Modeling Heterogeneous Statistical Patterns in High-dimensional Data by Adversarial Distributions: An Unsupervised Generative Framework
Tsinghua University(清华大学);AHI Fintech(安恒信息金融科技);Youku Cognitive and Intelligent Lab, Alibaba Group(阿里巴巴集团优酷认知与智能实验室)
由于标签收集令人望而却步且耗时,因此在欺诈检测等应用中首选无监督方法。同时,这类应用通常需要对高维数据中的固有聚类进行建模,而不同聚类的模式可能出现在不同的维度上,从而表现出异构的统计模式。现有的方法建议在选定的维度上对数据聚类进行建模,但全局忽略任何维度可能会破坏某些聚类的模式。为了解决上述问题,我们提出了一种新的无监督生成框架FIRD,它利用对抗性分布来拟合和解开异质统计模式。当应用于离散空间时,FIRD有效地区分了同步欺诈者和正常用户。此外,与SOTA异常检测方法相比,FIRD在异常检测数据集上也提供了更好的性能(平均AUC提高超过5%)。在不同数据集上的实验结果表明,该方法能够更好地对高维数据中的异构统计模式进行建模,为后续应用提供了有益的借鉴。
2020-12-15 cs.AI cs.LG
Synthetic Demographic Data Generation for Card Fraud Detection Using GANs
Memorial University of Newfoundland(纽芬兰纪念大学);Verafin(Verafin公司)
本研究构建了名为DGGAN的深度学习生成对抗网络,通过在训练期间生成样本以克服类不平衡问题,从而生成复杂的合成人口统计数据,提升信用卡欺诈检测性能。
2023-06-29 cs.AI cs.LG
Explainable Artificial Intelligence and Causal Inference based ATM Fraud Detection
Institute for Development and Research in Banking Technology(银行业技术发展与研究所);Center for Development of Advanced Computing(高级计算发展中心)
获得客户的信任并为他们提供同理心在金融领域非常重要。欺诈活动的频繁发生影响了这两个因素。因此,金融机构和银行必须尽最大努力减轻这些风险。其中,ATM欺诈交易是银行普遍面临的问题。以下是涉及欺诈数据集的关键挑战:数据集是高度不平衡的,欺诈模式正在发生变化,等等。由于欺诈活动的罕见性,欺诈检测可以被制定为二元分类问题或一类分类(OCC)。在这项研究中,我们处理了从印度收集的ATM交易数据集上的这些技术。在二进制分类中,我们研究了各种过采样技术的有效性,例如合成少数过采样技术(SMOTE)及其变体,生成对抗网络(GAN),以实现过采样。此外,我们采用了各种机器学习技术,即,朴素贝叶斯(NB)、逻辑回归(LR)、支持向量机(SVM)、决策树(DT)、随机森林(RF)、梯度提升树(GBT)、多层感知器(MLP)。GBT的表现优于其他模型,达到0.963 AUC,DT以0.958 AUC位居第二。如果考虑复杂性和可解释性方面,DT是赢家。在所有过采样方法中,观察到SMOTE及其变体表现更好。在OCC中,IForest获得0.959 CR,OCSVM以0.947 CR获得第二名。此外,我们将可解释的人工智能(XAI)和因果推理(CI)的欺诈检测框架,并通过各种分析进行了研究。
2022-11-19 cs.AI cs.LG
FraudBench: Stress-Testing Policy-Grounded Banking Agents Against Adaptive Fraud
研究人员推出基于τ²-bench框架和τ-Knowledge环境的可执行基准FraudBench,测试银行智能体应对自适应欺诈的安全性,评估发现4款智能体攻击安全性为49%-65%,资金骡和第一方欺诈是主要薄弱点。
2026-08-20 cs.AI cs.LG
A Dual-Path Generative Framework for Zero-Day Fraud Detection in Banking Systems
Mugla Sitki Kocman University(穆尔加-西提-科曼大学)
本文提出双路径生成框架,结合VAE和WGAN-GP处理银行系统中低延迟欺诈检测与GDPR解释性的矛盾,通过生成真实交易曼 folds 和高熵欺诈场景提升检测性能。
2026-02-17 cs.AI cs.CR
SCFCRC: Simultaneously Counteract Feature Camouflage and Relation Camouflage for Fraud Detection
Faculty of Computing, Harbin Institute of Technology(哈尔滨工业大学计算机学院);Zhengzhou Esunny Information Technology Co., Ltd.(郑州易阳信息技术有限公司);MeiTuan(美团)
针对欺诈检测中特征与关系伪装问题,提出基于Transformer的SCFCRC方法,通过特征伪装过滤器与关系伪装精炼器同时对抗两类伪装,并在两个基准数据集上超越现有最先进方法。
2025-01-21 cs.AI cs.LG
ARMS: Automated rules management system for fraud detection
Feedzai(Feedzai(Feedzai公司))
欺诈检测在金融服务中至关重要,有可能大大减少犯罪活动,为企业和客户节省大量资源。我们致力于在线欺诈检测,包括实时将传入交易分类为合法或欺诈。现代欺诈检测系统由机器学习模型和由人类专家定义的规则组成。通常,规则的性能会随着时间的推移而下降,这是由于概念漂移,特别是对抗性质。此外,它们的维护成本可能很高,因为它们在计算上很昂贵,或者因为它们发送事务进行人工审查。我们提出ARMS,一个自动化的规则管理系统,评估个人的规则和优化的积极规则使用启发式搜索和用户定义的损失函数的贡献。它符合关键的特定于域的要求,例如处理不同的操作(例如,接受、警告和拒绝)、优先级、黑名单和大数据集(即,数百条规则和数百万笔交易)。我们使用ARMS来优化两个现实世界的客户端的基于规则的系统。结果表明,它可以保持原系统的性能(例如,召回率,或假阳性率),仅使用原始规则的一小部分(一种情况下约为50%,另一种情况下约为20%)。
2020-02-14 cs.AI cs.DB cs.LG
Chaotic Variational Auto encoder-based Adversarial Machine Learning
School of Computer Science And Information Sciences, University of Hyderabad(海得拉巴大学计算机科学与信息科学学院)
机器学习(Machine Learning,ML)已经成为几乎所有领域的新发明。这使得它们成为各种对手攻击的欺诈者的目标,从而阻碍了ML模型的性能。规避和基于数据毒药的攻击备受好评,特别是在金融,医疗保健等领域,这促使我们提出了一种新的计算成本较低的攻击机制,基于变分自动编码器(VAE)的对抗性样本生成。众所周知,小波神经网络(WNN)被认为是计算效率高的解决图像和音频处理,语音识别,和时间序列预测。提出了一种基于小波神经网络的VAE-深度小波神经网络(VAE-Deep-WNN)。此外,我们提出了VAE与多层感知器(MLP)和Deep-WNN的混沌变体,并分别命名为C-VAE-MLP和C-VAE-Deep-WNN。在这里,我们使用Logistic映射在潜在空间中生成随机噪声。在本文中,我们执行了基于VAE的对手样本生成,并将其应用于与金融和网络安全领域相关的各种问题,如贷款违约,信用卡欺诈和流失建模等,我们对逻辑回归(LR)和决策树(DT)模型进行了规避和数据中毒攻击。结果表明,VAE-Deep-WNN在大多数数据集和模型中的表现优于其他模型。然而,其混沌变体C-VAE-Deep-WNN在大多数数据集中的表现几乎与VAE-Deep-WNN相似。
2023-02-25 cs.CR cs.LG
A Comparison Study of Credit Card Fraud Detection: Supervised versus Unsupervised
信用卡已经成为线上和线下购物的流行支付方式,这导致日常欺诈交易不断增加。因此,有效的欺诈检测方法对于保持支付系统的可靠性至关重要。在这项研究中,我们使用各种监督和无监督的方法进行信用卡欺诈检测的比较研究。具体地,6个监督分类模型,即,逻辑回归(LR)、K-最近邻(KNN)、支持向量机(SVM)、决策树(DT)、随机森林(RF)、极端梯度提升(XGB)以及4种无监督异常检测模型,即,本研究探讨了单类支持向量机(OCSVM)、自动编码器(AE)、受限玻尔兹曼机(RBM)和生成对抗网络(GAN)。我们在来自Kaggle网站的公共信用卡交易数据集上训练了所有这些模型,该数据集包含284,807笔交易中的492笔欺诈。事务的标签仅用于监督学习模型。每个模型的性能通过5倍交叉验证在受试者工作曲线下面积(AUROC)方面进行评价。在监督方法中,XGB和RF分别获得最佳性能,AUROC = 0.989和AUROC = 0.988。而对于无监督方法,RBM实现了最佳性能,AUROC = 0.961,其次是GAN,AUROC = 0.954。实验结果表明,在这项研究中,监督模型的性能略好于无监督模型。无论如何,无监督的方法仍然是有前途的信用卡欺诈交易检测,由于不足的注释和数据不平衡的问题,在现实世界的应用。
2019-04-24 cs.LG
Adversarial Attacks for Tabular Data: Application to Fraud Detection and Imbalanced Data
Sony Corporation(索尼公司)
保证交易系统的安全性是所有处理交易的机构的一个重要优先事项,以保护其业务免受网络攻击和欺诈企图。对抗攻击是一种新技术,除了被证明可以有效地欺骗图像分类模型外,还可以应用于表格数据。对抗攻击的目的是产生对抗的例子,换句话说,稍微修改的输入会导致人工智能(AI)系统返回对攻击者有利的错误输出。在本文中,我们说明了一种新的方法来修改和适应国家的最先进的算法不平衡的表格数据,在欺诈检测的背景下。实验结果表明,所提出的修改导致完美的攻击成功率,获得对抗性的例子,也不易察觉时,由人类分析。此外,当应用于现实世界的生产系统时,所提出的技术可能会对基于人工智能的高级欺诈检测程序的鲁棒性构成严重威胁。
2021-01-20 cs.AI cs.CR cs.LG
Evaluating XGBoost for Balanced and Imbalanced Data: Application to Fraud Detection
Vodafone(沃达丰)
本文评估了XGboost在不同数据集大小和类分布(从完全平衡到高度不平衡)下的性能。XGBoost已被选中进行评估,因为它在几个基准测试中脱颖而出,因为它的检测性能和速度。在介绍了欺诈检测问题之后,本文回顾了检测系统或二进制分类器的评估指标,并举例说明了不同的指标如何适用于平衡和不平衡数据集。然后,它研究了XGBoost的原理。它提出了一个用于数据准备的管道,并将Vanilla XGBoost与随机搜索调整的XGBoost进行了比较。随机搜索微调为10万个样本的大型数据集提供了一致的改进,而对于10个和1千个样本的中型和小型数据集则分别不是这样。此外,正如预期的那样,XGBoost识别性能随着更多数据的可用性而提高,并且随着数据集变得更加不平衡而降低检测性能。对50%、45%、25%和5%阳性样本的分布进行的测试表明,检测性能的最大下降发生在只有5%阳性样本的分布中。采样以平衡训练集并不能提供一致的改进。因此,未来的工作将包括系统地研究处理数据不平衡的不同技术,并评估其他方法,包括图形、自动编码器和生成对抗方法,以处理标签缺失的问题。
2023-03-27 cs.AI cs.LG
FRAUD-RLA: A new reinforcement learning adversarial attack against credit card fraud detection
本文提出FRAUD-RLA攻击模型,通过强化学习绕过分类器,优化探索与利用平衡,以更少的知识实现有效欺诈检测攻击。
2025-02-04 cs.AI cs.LG
Towards Generating Adversarial Examples on Mixed-type Data
Michigan State University(密歇根州立大学);Texas A&M University(得克萨斯农工大学);VISA Research(Visa研究院)
对抗攻击(或对抗示例)的存在带来了对机器学习(ML)模型安全问题的巨大关注。对于许多安全关键的ML任务,如财务预测,欺诈检测和异常检测,数据样本通常是混合类型的,同时包含大量的数值和分类特征。然而,如何生成对抗性的混合类型的数据的例子仍然很少研究。本文提出了一种新的攻击算法M-Attack,它可以有效地生成混合类型数据中的对抗性示例。基于M-Attack,攻击者可以尝试误导目标分类模型的预测,只需稍微扰动给定数据样本中的数值和分类特征。更重要的是,通过添加设计的正则化,我们生成的对抗性示例可以逃避潜在的检测模型,这使得攻击确实是阴险的。通过大量的实证研究,我们验证了我们的攻击方法的有效性和效率,并评估现有的分类模型对我们提出的攻击的鲁棒性。实验结果突出了在现实世界的应用中生成对抗机器学习模型的示例的可行性。
2022-10-17 cs.CR cs.LG
Semi-Supervised Bayesian GANs with Log-Signatures for Uncertainty-Aware Credit Card Fraud Detection
本文提出了一种新型深度生成半监督框架,用于信用卡欺诈检测,通过条件GANs进行数据增强,结合贝叶斯推断获取预测分布并量化不确定性,利用对数签名进行交易历史的稳健特征编码,引入基于Wasserstein距离的损失函数以对齐生成和真实样本,提升分类准确性。
2026-05-12 cs.LG stat.ML
ATM Fraud Detection using Streaming Data Analytics
Institute for Development and Research in Banking Technology(银行技术发展研究院);Center for Development of Advanced Computing(先进计算发展中心)
赢得客户的信任和信心是金融机构和组织成长和成功的关键。最近,金融业受到许多欺诈活动的严重影响。此外,由于大量数据集的生成,底层框架是可扩展的并且满足实时的需求是非常必要的。为了解决这个问题,在研究中,我们分别提出了静态和流媒体背景下的ATM欺诈检测。在静态环境中,我们研究了一种用于ATM欺诈检测的并行和可扩展的机器学习算法,该算法构建在Spark上,并使用各种机器学习(ML)模型进行训练,包括朴素贝叶斯(NB),逻辑回归(LR),支持向量机(SVM),决策树(DT),随机森林(RF),梯度提升树(GBT)和多层感知器(MLP)。我们还采用了几种平衡技术,如合成少数过采样技术(SMOTE)及其变体,生成对抗网络(GAN),以解决数据集中的稀有性。此外,我们提出了一种基于流媒体的ATM欺诈检测方法。我们的基于滑动窗口的方法收集在指定时间间隔内执行的ATM交易,然后利用训练几个ML模型,包括NB,RF,DT和K-最近邻(KNN)。我们选择这些模型是基于它们较低的模型复杂性和较快的响应时间。在这两种情况下,RF被证明是最好的模式。RF在静态环境中获得了0.975的最佳平均AUC,在流式环境中获得了0.910的平均AUC。RF也被经验证明比下一个最佳性能模型具有统计学显著性。
2023-03-08 cs.DC cs.LG
Sequential Adversarial Anomaly Detection for One-Class Event Data
Carnegie Mellon University(卡内基梅隆大学);Georgia Institute of Technology(佐治亚理工学院)
针对仅异常序列可用的一类设定下的序贯异常检测问题,提出一种通过求解极小极大问题的对抗序贯检测器,利用标值点过程建模序列依赖,并通过数值实验验证了其在大规模信用卡欺诈等数据集上的良好检测性能。
2023-04-06 cs.LG stat.ML
FraudBench: Protocol-Sensitive Benchmarking of Adversarial Robustness for Financial Risk Assessment
FraudBench是面向金融风险评估的协议敏感型对抗鲁棒性基准,通过三种匹配协议评估不同模型,发现鲁棒性结论具协议敏感性,提出应将领域约束纳入攻击生成。
2026-08-26 cs.AI cs.LG
Mind the (optimality) Gap: A Gap-Aware Learning Rate Scheduler for Adversarial Nets
Google Research(谷歌研究院)
对抗网络已被证明在各个领域都很强大,包括生成建模(GANs),迁移学习和公平性。然而,使用一阶方法成功训练对抗网络仍然是一个重大挑战。通常,需要仔细选择学习率,以保持竞争网络之间的微妙平衡。在本文中,我们设计了一种新的学习率调度器,动态适应对手的学习率,以保持正确的平衡。调度器是由这样一个事实驱动的,即一个理想的对抗网络的损失是一个先验已知的常数。因此,调度器被设计为使优化的对抗网络的损失接近理想网络的损失。我们进行了大规模的实验,以研究调度器在两个流行应用程序上的有效性:用于图像生成的GANs和用于领域自适应的对抗网络。我们的实验表明,使用调度器训练的对抗性网络不太可能发散,并且需要的调优次数明显减少。例如,在CelebA上,具有调度器的GAN只需要没有调度器时所需的调优预算的十分之一。此外,调度程序导致模型质量的统计显著改善,达到了$27\%$的Frechet初始距离的图像生成和$3\%$的测试精度为领域自适应。
2023-01-31 cs.AI cs.LG
FragmGAN: Generative Adversarial Nets for Fragmentary Data Imputation and Prediction
East China Normal University(华东师范大学)
现代科学研究和应用中经常会遇到“碎片数据”,这给估算和预测带来了很大的挑战。通过利用响应模式的结构,我们提出了一个统一的和灵活的框架,基于生成对抗网(GAN),同时处理碎片数据填补和标签预测。与大多数其他基于生成模型的插补方法不同,这些方法要么没有理论保证,要么只考虑随机缺失(MCAR),所提出的FragmGAN具有理论保证,可以用随机缺失(MAR)数据进行插补,而不需要提示机制。FragmGAN同时使用生成器和预测器训练预测器。在大量的实验中,这种联动机制显示出显着的优势,预测性能。
2022-03-09 cs.AI cs.LG
Conditional Generative Adversarial Nets
Université de Montréal(蒙特利尔大学);Flickr / Yahoo Inc.(Flickr / 雅虎公司)
生成对抗网[8]最近被引入作为训练生成模型的一种新方法。在这项工作中,我们介绍了生成对抗网的条件版本,它可以通过简单地将数据y馈送到生成器和生成器来构建。我们表明,该模型可以产生MNIST数字类标签的条件。我们还说明了如何使用该模型来学习多模态模型,并提供了图像标记应用程序的初步示例,其中我们演示了这种方法如何生成不属于训练标签的描述性标签。
2014-11-06 cs.AI cs.CV cs.LG
ClueGAIN: Application of Transfer Learning On Generative Adversarial Imputation Nets (GAIN)
许多研究试图使用各种方法来解决缺失数据的问题。其中,生成对抗插补网络(GAIN)首次被用于生成对抗网络(GAN)的数据插补,并取得了良好的效果。随后的研究试图结合各种方法来解决其局限性。本研究首先提出了基于遗传算法的GAIN算法,将迁移学习引入GAIN算法,解决了在高缺失率数据集下插补性能差的问题。ClueGAIN还可用于测量数据集之间的相似性,以探索它们的潜在联系。
2023-02-06 cs.LG
Improving Detection of Credit Card Fraudulent Transactions using Generative Adversarial Networks
Japan Advanced Institute of Science and Technology(日本北陆先端科学技术大学院大学);The University of Edinburgh(爱丁堡大学)
在这项研究中,我们采用生成对抗网络作为过采样方法来生成人工数据,以协助信用卡欺诈交易的分类。GANs是一种基于博弈论思想的生成模型,其中生成器G和GAN D试图相互智胜。发生器的目的是混淆信号。该算法的目标是区分来自生成器的实例和来自原始数据集的实例。通过在一组信用卡欺诈交易上训练GANs,我们能够提高分类器的区分能力。实验结果表明,Wasserstein-GAN比其他GANs训练更稳定,产生的欺诈交易更真实。另一方面,通过k均值聚类设置标签的GANs的条件版本不一定改善GANs的非条件版本。
2019-07-07 cs.LG q-fin.RM
Adaptive Stress Testing for Adversarial Learning in a Financial Environment
Stanford University(斯坦福大学)
我们展示了自适应压力测试的使用,以检测和解决金融环境中的潜在漏洞。我们开发了一个简化的信用卡欺诈检测模型,该模型利用基于历史支付交易数据的线性回归分类器,再加上业务规则。然后,我们应用被称为自适应压力测试的强化学习模型来训练一个可以被认为是潜在欺诈者的代理,以找到最有可能导致系统故障的路径-成功地欺骗系统。我们展示了这个最有可能的故障路径和分类器的限制之间的联系,并讨论了如何进一步增强欺诈检测系统的业务规则,以减轻这些故障模式。
2021-07-08 cs.AI cs.LG q-fin.CP
Continual Learning in Generative Adversarial Nets
Princeton University(普林斯顿大学)
深度生成模型的发展允许对高维数据分布进行易于处理的学习。虽然所采用的学习过程通常假设训练数据是独立同分布绘制的。根据感兴趣的分布,例如当随着时间的推移遇到不同的类时,可能期望对顺序观察到的不同分布进行建模。尽管深度生成模型的条件变体允许单个网络以分离的方式对多个分布进行建模,但当连续遇到分布时,它们容易受到灾难性遗忘的影响。在本文中,我们将最近在减少灾难性遗忘方面的工作调整为在一系列不同分布上训练生成对抗网络的任务,从而实现连续的生成建模。
2017-05-23 cs.AI cs.LG stat.ML
Tensorizing Generative Adversarial Nets
RIKEN Center for Advanced Intelligence Project(理化学研究所先进智能项目中心);Saitama Institute of Technology(埼玉工业大学)
生成对抗网络(GAN)及其变体在生成模型中表现出最先进的性能。为了捕获更高维的分布,通常的学习过程需要高的计算复杂性和大量的参数。当将其部署在具有有限计算能力的平台(例如移动电话)上时,会出现采用这种大型框架的问题。在本文中,我们提出了一种新的生成对抗框架,将每一层表示为通过多线性运算连接的张量结构,旨在将模型参数的数量减少一个很大的因素,同时保持生成性能和样本质量。为了学习模型,我们采用了一种有效的算法,交替优化的发电机和发电机。实验结果表明,我们的模型可以实现高压缩率的模型参数$35$倍相比,原始GAN的MNIST数据集。
2018-03-30 cs.AI cs.LG stat.ML
SeqGAN: Sequence Generative Adversarial Nets with Policy Gradient
Shanghai Jiao Tong University(上海交通大学);University College London(伦敦大学学院)
生成对抗网(GAN)作为一种新的生成模型训练方法,使用判别模型来指导生成模型的训练,在生成实值数据方面取得了相当大的成功。然而,当目标是生成离散令牌序列时,它具有局限性。一个主要原因在于,生成模型的离散输出使得难以将梯度更新从判别模型传递到生成模型。此外,判别模型只能评估完整的序列,而对于部分生成的序列,一旦整个序列已经生成,则平衡其当前分数和未来分数是不平凡的。在本文中,我们提出了一个序列生成框架,称为SeqGAN,来解决这些问题。SeqGAN将数据生成器建模为强化学习(RL)中的随机策略,通过直接执行梯度策略更新来绕过生成器区分问题。RL奖励信号来自GAN对完整序列的判断,并使用Monte Carlo搜索传递回中间状态-动作步骤。对合成数据和现实任务的广泛实验表明,与强基线相比,性能有显着改进。
2017-08-25 cs.AI cs.LG
Understanding Adversarial Training: Increasing Local Stability of Neural Nets through Robust Optimization
Yale University(耶鲁大学)
我们提出了一个通用的框架,提高局部稳定性的人工神经网络(ANN)使用鲁棒优化(RO)。我们通过一个交替的最小化-最大化过程来实现这一点,在该过程中,网络的损失在每次参数更新时生成的扰动示例上被最小化。我们表明,人工神经网络的对抗性训练实际上是网络优化的鲁棒化,我们提出的框架概括了以前提高人工神经网络局部稳定性的方法。实验结果表明,我们的方法提高了网络对现有对抗性示例的鲁棒性,同时使生成新示例变得更加困难。此外,我们的算法还提高了网络在原始测试数据上的准确性。
2016-01-16 cs.LG cs.NE stat.ML
Temporal Generative Adversarial Nets with Singular Value Clipping
Preferred Networks Inc.(Preferred Networks 公司)
在本文中,我们提出了一个生成模型,时间生成对抗网络(TGAN),它可以学习未标记视频的语义表示,并能够生成视频。与现有的基于生成对抗网络(GAN)的方法不同,这些方法使用由3D去卷积层组成的单个生成器生成视频,我们的模型利用了两种不同类型的生成器:时间生成器和图像生成器。时间生成器将单个潜变量作为输入并输出一组潜变量,每个潜变量对应于视频中的图像帧。图像生成器将一组这样的潜变量转换成视频。为了解决GAN训练中的不稳定问题,我们采用了最近提出的Wasserstein GAN模型,并提出了一种新的方法,以端到端的方式对其进行稳定的训练。实验结果证明了该方法的有效性。
2017-08-18 cs.CV cs.LG
Triple-GAIL: A Multi-Modal Imitation Learning Framework with Generative Adversarial Nets
Huawei Noah’s Ark Lab(华为诺亚方舟实验室);Nanjing University(南京大学);Tsinghua University(清华大学)
生成对抗模仿学习(GAIL)利用生成对抗网的优势,在机器人学习领域取得了可喜的成果。然而,孤立的单模态演示的要求限制了该方法在现实世界场景中的可扩展性,例如自动驾驶汽车对正确理解人类驾驶员行为的需求。在本文中,我们提出了一种新的多模态GAIL框架,命名为Triple-GAIL,这是能够学习技能选择和模仿共同从专家演示和不断产生的经验与数据增强的目的,通过引入一个辅助技能选择器。我们分别为生成器和选择器提供了收敛到最优解的理论保证。在真实驾驶员轨迹和实时策略游戏数据集上的实验表明,Triple-GAIL可以更好地拟合接近演示者的多模态行为,并优于最先进的方法。
2020-05-22 cs.AI cs.LG cs.RO
A Mathematical Introduction to Generative Adversarial Nets (GAN)
Hong Kong University of Science and Technology(香港科技大学)
自2014年Goodfellow等人的开创性工作以来,生成对抗网络(GAN)受到了相当大的关注。这种关注导致了GANs的新思想,技术和应用的爆炸式增长。为了更好地理解GANs,我们需要了解它们背后的数学基础。本文试图从数学的角度对GANs进行概述。许多数学专业的学生可能会发现关于GANs的论文更难完全理解,因为它们大多数是从计算机科学和工程师的角度写的。本文的目的是给更多的数学为导向的学生介绍GANs在一种语言,是更熟悉他们。
2020-09-01 cs.IT cs.LG math.IT
Stabilizing Adversarial Nets With Prediction Methods
University of Maryland, College Park(马里兰大学 College Park 分校)
本文提出一种改进的随机梯度下降方法,通过稳定对抗网络的训练过程,使其更可靠地收敛到鞍点,提高训练稳定性与效率。
2018-02-08 cs.CV cs.LG cs.NA
Multi-Task Generative Adversarial Nets with Shared Memory for Cross-Domain Coordination Control
Institute of Automation, Chinese Academy(中国科学院自动化研究所);FUJITSU(富士通);China Academy of Telecommunication Research of MIIT(工业和信息化部电信研究院)
从大量的测量过程数据中生成顺序决策过程,充分利用这些在线或离线过程数据直接设计灵活的决策策略,并进行性能评估,是协同工厂自动化的未来研究方向。序贯决策过程面临的主要挑战是在线直接生成序贯决策策略,以及跨任务域的知识传递。在离散时间非线性系统中,大多数多任务策略生成算法都存在不能充分生成跨任务共享结构的问题。针对离散非线性系统,提出了一种多任务共享记忆生成对抗网络,该网络能够直接从所有任务的原始感知输入中生成顺序决策策略,并在线评估系统行为的性能。实验已经使用部署在中国潍柴动力智能工厂内的专业柔性制造测试平台进行。对三组离散时间非线性控制任务的仿真结果表明,该模型可以有效地提高任务的性能,并与其他相关任务相结合。
2018-07-01 cs.AI cs.DC cs.LG
CounteRGAN: Generating Realistic Counterfactuals with Residual Generative Adversarial Nets
Amazon(亚马逊);Hired;Facebook(脸书)
机器学习模型在各个行业中的流行已经导致对模型可解释性以及对向用户提供有意义的求助的能力的需求不断增长。例如,希望改善诊断的患者或寻求增加批准机会的贷款申请人。在这方面,反事实可以通过识别输入扰动来提供帮助,这些扰动将导致更理想的预测结果。有意义的反事实应该能够实现预期的结果,但也是现实的,可操作的,有效的计算。目前的方法实现了预期的结果,具有适度的可操作性,但在现实性和延迟方面受到严重限制。为了解决这些限制,我们将生成对抗网络(GANs)应用于反事实搜索。我们还介绍了一种新的残差GAN(RGAN),与常规GANs相比,它有助于提高反事实现实主义和可操作性。所提出的CounteRGAN方法利用RGAN和目标分类器来产生能够提供有意义的追索权的反事实。对两个流行数据集的评估突出了CounteRGAN如何能够克服现有方法的局限性,包括延迟改善> 50倍至> 90,000倍,使有意义的追索权实时可用并适用于广泛的领域。
2021-05-27 cs.AI cs.LG stat.ML
Activation Maximization Generative Adversarial Nets
Shanghai Jiao Tong University(上海交通大学);Yitu Tech(依图科技);University College London(伦敦大学学院)
经验表明,类标签在提高生成对抗网络(GANs)的样本质量方面很有用。在本文中,我们从数学上研究了利用类标签信息的GANs当前变体的特性。通过类感知梯度和交叉熵分解,我们揭示了类标签和相关损失如何影响GAN的训练。在此基础上,我们提出了激活最大化生成对抗网络(AM-GAN)作为一种先进的解决方案。已经进行了全面的实验来验证我们的分析并评估我们的解决方案的有效性,其中AM-GAN优于其他强大的基线,并在CIFAR-10上实现了最先进的Inception Score(8.91)。此外,我们还证明,使用Inception ImageNet分类器,Inception Score主要跟踪生成器的多样性,但是没有可靠的证据表明它可以反映真实的样本质量。因此,我们提出了一个新的度量,称为AM分数,提供一个更准确的估计样本质量。我们提出的模型在新的度量中也优于基线方法。
2018-11-16 cs.AI cs.CV cs.LG
GAIN: Missing Data Imputation using Generative Adversarial Nets
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);University of Oxford(牛津大学);Alan Turing Institute(艾伦·图灵研究所)
我们提出了一种新的方法,通过适应著名的生成对抗网(GAN)框架来填补缺失数据。因此,我们称我们的方法为生成对抗性填补网络(GAIN)。生成器(G)观察真实数据向量的一些分量,根据实际观察到的情况来估算缺失的分量,并输出完整的向量。然后,计算器(D)获取一个完整的向量,并试图确定实际观察到哪些分量,哪些分量进行了插补。为了确保D迫使G学习所需的分布,我们以提示向量的形式向D提供一些额外的信息。该提示向D揭示了关于原始样本缺失的部分信息,D使用该信息来将其注意力集中在特定分量的插补质量上。这个提示确保了G实际上确实学会了根据真实的数据分布进行生成。我们在各种数据集上测试了我们的方法,发现GAIN显著优于最先进的插补方法。
2018-06-07 cs.LG stat.ML
Learning Inverse Mapping by Autoencoder based Generative Adversarial Nets
Sichuan University(四川大学)
GANs的逆映射生成对抗网络(Generative Adversarial Nets)生成器具有很大的潜在价值。因此,人们已经开展了一些工作,通过直接学习或对抗学习来构造生成器的逆函数。虽然结果令人鼓舞,但该问题具有很高的挑战性,并且现有的GANs逆模型训练方法存在许多缺点,例如训练困难或性能差。由于这些原因,我们提出了一种新的方法,基于使用逆生成器($IG$)模型作为编码器和预训练生成器($G$)作为AutoEncoder网络的解码器来训练$IG$模型。在该模型中,AutoEncoder的输入和输出之间的差异被直接最小化,输入和输出都是预训练的GAN的生成器生成的图像。该优化方法克服了非一一对应函数的训练和逆模型的困难,并将GANs生成器的逆模型应用于图像搜索和翻译,实验结果表明,该方法在图像搜索中的效果优于传统方法。
2017-09-12 cs.LG
AdvSynGNN: Structure-Adaptive Graph Neural Nets via Adversarial Synthesis and Self-Corrective Propagation
University of Macau(澳门大学);Peking University(北京大学);Fudan University(复旦大学);Tsinghua University(清华大学);University of Southampton(南安普顿大学)
本文提出AdvSynGNN,通过对抗合成与自我纠正传播实现结构自适应的图神经网络,提升在结构噪声和非同质拓扑下的鲁棒性。
2026-07-29 cs.AI cs.LG
Three-dimensional Generative Adversarial Nets for Unsupervised Metal Artifact Reduction
Kyoto University(京都大学);e-Growth Co., Ltd.(e-Growth 有限公司);Nara Medical University(奈良县立医科大学);Rakuwakai Otowa Hospital(洛和会音羽医院)
减少计算机断层扫描(CT)图像中的金属伪影,特别是多个金属物体产生的强伪影,是医学成像研究中的一个具有挑战性的问题。虽然已经有一些关于通过学习合成伪影来减少监督金属伪影的研究,但是模拟伪影很难覆盖在X射线传播中可能观察到的真实物理现象的复杂性。在本文中,我们介绍了金属伪影减少方法的基础上,从临床CT图像学习的无监督的体积到体积的翻译。我们构建了三维对抗网络,其正则化损失函数专为来自多个牙齿填充物的金属工件而设计。使用来自真实患者的915个CT体积的实验结果表明,所提出的框架具有出色的能力,以减少强伪影和恢复潜在的缺失体素,同时保留原始图像的软组织和牙齿结构的解剖特征。
2020-08-21 cs.AI cs.CV cs.LG
Improving Credit Card Fraud Detection through Transformer-Enhanced GAN Oversampling
提出一种结合Transformer编码器的GAN过采样方法,生成高质量合成少数类样本,在信用卡欺诈数据集上显著提升召回率、F1分数和AUC,有效解决类别不平衡问题。
2025-09-24 cs.LG
Poisoning Attacks with Generative Adversarial Nets
Imperial College London(帝国理工学院);Hasso Plattner Institut, University of Potsdam(波茨坦大学哈索·普拉特纳研究所);Princeton University(普林斯顿大学)
机器学习算法容易受到中毒攻击:攻击者可以在训练数据集中注入恶意点,以影响学习过程并降低算法的性能。最优中毒攻击已经被提出来评估最坏的情况,将攻击建模为双层优化问题。解决这些问题在计算上要求很高,并且对于某些模型(如深度网络)的适用性有限。在本文中,我们引入了一种新的生成模型来制作针对机器学习分类器的系统中毒攻击,生成对抗性的训练样本,即看起来像真正的数据点,但用于训练时会降低分类器的准确性的样本。我们提出了一个生成对抗网络,它有三个组成部分:生成器,目标分类器和目标分类器。这种方法使我们能够自然地建模的可检测性约束,可以预期在现实的攻击,并确定潜在的数据分布的区域,可以更容易受到数据投毒。我们的实验评估表明,我们的攻击可以有效地破坏机器学习分类器,包括深度网络。
2019-09-25 cs.CR cs.LG stat.ML
Detection of AI Deepfake and Fraud in Online Payments Using GAN-Based Models
National University of Singapore(新加坡国立大学);University of Colorado Boulder(科罗拉多大学博尔德分校);University of Minnesota(明尼苏达大学);University of California, Davis(加州大学戴维斯分校);Texas A&M University(得克萨斯农工大学)
本文提出基于GAN的模型,用于检测在线支付中的AI深度伪造和欺诈,通过高精度识别支付图像中的篡改以提升支付系统安全性。
2025-12-31 cs.CR cs.CV cs.LG
Decorrelating Adversarial Nets for Clustering Mobile Network Data
Technical University of Munich(慕尼黑工业大学);Nokia Bell Labs(诺基亚贝尔实验室)
深度学习将在实现未来移动网络的认知自动化方面发挥关键作用。深度聚类是深度学习的一个子集,对于许多网络自动化用例来说,它可能是一个有价值的工具。不幸的是,大多数最先进的聚类算法的目标图像数据集,这使得他们很难应用到移动网络数据,由于其高度调整的性质和相关的假设数据。在本文中,我们提出了一种新的算法DANCE(Decorrelating Adversarial Nets for Decorrelating Friendly Encoding),旨在成为一种可靠的深度聚类方法,在应用于网络自动化用例时也表现良好。DANCE使用重构聚类方法,将潜在表示中的聚类相关特征与聚类无关特征分离。这种分离从集群中删除了不必要的信息,提高了一致性和峰值性能。我们全面评估了DANCE和其他选择的最先进的深度聚类算法,并表明DANCE在移动网络数据集上的性能明显优于这些算法。
2021-03-11 cs.LG
Instance adaptive adversarial training: Improved accuracy tradeoffs in neural nets
Facebook AI Research(Facebook人工智能研究院);University of Maryland(马里兰大学);Georgia Institute of Technology(佐治亚理工学院)
对抗性训练是迄今为止提高神经网络对对抗攻击鲁棒性的最成功的策略。尽管对抗性训练作为一种防御机制是成功的,但它不能很好地推广到未受干扰的测试集。我们假设这种较差的泛化能力是对抗训练的结果,每个训练样本周围的扰动半径都是均匀的。接近决策边界的样本可以在小的扰动预算下变形为不同的类,并且在这些样本周围强制执行大的裕度产生概括性差的差的决策边界。基于这一假设,我们提出了实例自适应对抗训练--一种在每个训练样本周围强制执行样本特定扰动裕度的技术。我们表明,使用我们的方法,未扰动样本的测试精度提高了鲁棒性的边际下降。在CIFAR-10、CIFAR-100和Imagenet数据集上的实验证明了该方法的有效性。
2019-10-17 cs.CV cs.LG stat.ML
TGAN: Deep Tensor Generative Adversarial Nets for Large Image Generation
Imperial College London(帝国理工学院);Columbia University(哥伦比亚大学);Shanghai Jiao Tong University(上海交通大学)
深度生成模型已成功应用于许多应用。然而,现有的作品在生成大图像时遇到限制(文献通常生成小图像,例如32 * 32或128 * 128)。在本文中,我们提出了一种新的方案,称为深度张量对抗生成网络(TGAN),通过探索张量结构来生成大型高质量图像。本质上,TGAN的对抗过程发生在张量空间中。首先,我们施加张量结构简洁的图像表示,这是优越的捕获像素的邻近信息和图像中的基本对象的空间模式,在现有的作品中的矢量化预处理。其次,我们提出了TGAN,它以级联方式集成了深度卷积生成对抗网络和张量超分辨率,以从随机分布中生成高质量的图像。更具体地说,我们设计了一个张量超分辨率过程,包括张量字典学习和张量系数学习。最后,在三个数据集上,与最先进的对抗性自动编码器相比,所提出的TGAN生成具有更真实纹理的图像。生成的图像的大小增加了8.5倍以上,在PASCAL 2中为374 * 374。
2019-03-04 cs.CV cs.LG
TLGAN: document Text Localization using Generative Adversarial Nets
Data Analytic Laboratory(数据分析实验室);Samsung Life Insurance(三星人寿保险)
从数字图像中定位文本是光学字符识别任务的第一步。传统的基于图像处理的文本定位对于特定的例子来说是足够的。然而,一般的文本本地化仅由最近的基于深度学习的模式存档。在这里,我们提出了文档文本定位生成对抗网络(TLGAN),它是深度神经网络,用于从数字图像中执行文本定位。TLGAN是一种通用且易于训练的文本本地化模型,需要少量数据。在扫描收据OCR和信息抽取(SROIE)上仅训练来自Robust Reading Challenge的10个标记收据图像,TLGAN对SROIE测试数据实现了99.83%的准确率和99.64%的召回率。我们的TLGAN是一个实用的文本本地化解决方案,只需最少的数据标记和模型训练工作,即可产生最先进的性能。
2020-10-22 cs.CV cs.LG
Improving Image Captioning with Conditional Generative Adversarial Nets
Tencent AI Lab(腾讯人工智能实验室)
在本文中,我们提出了一种新的条件生成对抗网为基础的图像描述框架作为传统的基于学习(RL)的编码器-解码器架构的扩展。为了解决不同客观语言度量之间的不一致评价问题,我们设计了一些“自适应”网络来自动和渐进地确定生成的字幕是人类描述的还是机器生成的。介绍了两种神经网络结构(CNN和基于RNN的结构),因为每种结构都有自己的优点。该算法是通用的,因此它可以增强任何现有的基于RL的图像描述框架,我们表明,传统的RL训练方法只是我们的方法的一个特例。从经验上讲,我们表现出一致的改进,在所有的语言评价指标不同的国家的最先进的图像描述模型。此外,训练良好的鉴别器也可以被看作是客观的图像描述评估器
2019-02-13 cs.CV cs.LG