Imputation-free Learning of Tabular Data with Missing Values using Incremental Feature Partitions in Transformer
Department of Computer Science(计算机科学系)
本文提出了一种无插补的增量注意力学习方法,通过特征分区直接处理表格数据中的缺失值,提升变换器性能并消除插补需求。
2026-01-27 cs.LG stat.ML
Complexity-Budgeted, Interaction-Aware Interpretable Model for Tabular Data
Indian Institute of Management Ahmedabad(印度管理学院艾哈迈达巴德分校)
研究针对表格数据可解释分类器依赖稀疏特征易丢弃交互变量的问题,提出IAIML框架,通过自适应离散化等三种机制处理交互,实验表明其在多数据集上平均AUC与梯度提升模型相近,组件少,在特定数据集表现优,是紧凑且交互感知的框架。
2026-07-09 cs.AI cs.LG
Conditional Adversarial Fragility in Financial Machine Learning under Macroeconomic Stress
本研究探讨了金融机器学习中宏观经济压力对对抗鲁棒性的影响,发现压力环境下模型对抗脆弱性显著增加,提出基于制度意识的评估框架及解释性治理层。
2025-12-22 cs.AI cs.CR cs.LG
Measuring What LLMs Think They Do: SHAP Faithfulness and Deployability on Financial Tabular Classification
研究评估了LLMs在金融表格分类中的SHAP值,发现其自我解释与SHAP值存在分歧,指出LLMs在结构化金融建模中的局限性,但认为改进的可解释性机制可提升其在风险敏感领域的应用潜力。
2025-11-28 cs.CL cs.LG
Beyond Tree Models: A Hybrid Model of KAN and gMLP for Large-Scale Financial Tabular Data
针对大规模金融表格数据中树模型的内存与计算瓶颈,提出融合浅层 KAN 与 gMLP 的 TKGMLP 及数值特征编码方法,在信用评分数据集上达到最先进性能并展现良好可扩展性。
2025-03-14 cs.LG
FAITH: A Framework for Assessing Intrinsic Tabular Hallucinations in Finance
Asian Institute of Digital Finance, National University of Singapore(亚洲数字金融研究所,新加坡国立大学)
针对金融表格数据中LLM幻觉评估缺失的问题,提出FAITH框架,通过掩码跨度预测任务和基于标普500报告的数据集,系统评估内在幻觉,助力构建可靠金融AI。
2025-10-24 cs.AI cs.CL cs.LG
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
Overcoming Catastrophic Forgetting in Tabular Data Classification: A Pseudorehearsal-based approach
Universidade de Vigo(维戈大学);Centro Tecnolóxico de Telecomunicacións de Galicia (GRADIANT)(加利西亚电信技术中心(GRADIANT))
针对表格数据分类的灾难性遗忘问题,提出基于伪排练的TRIL3框架,结合XuILVQ生成合成数据与增量式DNDF算法,无需存储旧样本,仅用50%合成数据性能就优于现有持续学习方案。
2024-07-12 cs.AI cs.LG
Evaluating the Efficacy of Instance Incremental vs. Batch Learning in Delayed Label Environments: An Empirical Study on Tabular Data Streaming for Fraud Detection
Sorbonne Paris Nord University(巴黎北大学);Paris-Saclay University(巴黎萨克雷大学);Groupe BPCE(BPCE集团)
针对延迟标签场景下实例增量学习是否最优的未深入研究问题,基于真实欺诈检测任务与生成数据集开展实证评估,发现实例增量学习在性能上不及批量学习模型,且批量增量方案可解释性更优。
2024-09-16 cs.CE cs.LG cs.NE
Feature Importance Guided Attack: A Model Agnostic Adversarial Attack
Amrita University(阿姆里塔大学)
对抗学习的研究主要集中在同构的非结构化数据集上,这些数据集通常会自然地映射到问题空间中。将对异构数据集的特征空间攻击转化为问题空间更具挑战性,特别是找到要执行的扰动的任务。这项工作提出了一个正式的搜索策略:“特征重要性引导攻击”(FIGA),它发现在异构的表格数据集的特征空间的扰动,产生规避攻击。我们首先在特征空间中演示FIGA,然后在问题空间中演示。FIGA假设没有防御模型的学习算法的先验知识,并且不需要任何梯度信息。FIGA假设的特征表示和防御模型的数据集的平均特征值的知识。FIGA通过在目标类的方向上扰动输入的最重要特征来利用特征重要性排名。虽然FIGA在概念上类似于使用特征选择过程的其他工作(例如,模仿攻击),我们形式化的攻击算法与三个可调参数和调查的强度FIGA表数据集。我们通过逃避在四个不同的表格式网络钓鱼数据集和一个金融数据集上训练的网络钓鱼检测模型来证明FIGA的有效性,平均成功率为94%。我们将FIGA扩展到网络钓鱼问题空间,通过限制可能的扰动在网络钓鱼域中是有效和可行的。我们生成了有效的对抗性网络钓鱼网站,这些网站在视觉上与未受干扰的网站相同,并使用它们来攻击六个表格ML模型,平均成功率为13.05%。
2023-01-13 cs.AI cs.CR cs.LG
Constrained Tabular Diffusion for Finance
University of Virginia(弗吉尼亚大学);Massachusetts Institute of Technology(麻省理工学院);Harvard University(哈佛大学);Visa Inc(Visa公司)
提出CTDF方法,通过将训练时无约束的表格扩散与采样时的可行性操作结合,在金融数据生成中实现硬约束满足,零违规且提升稀缺数据效用。
2026-06-27 cs.AI cs.LG
Sequential Deep Learning for Credit Risk Monitoring with Tabular Financial Data
American Express(美国运通);Rutgers University(罗格斯大学)
机器学习在防止银行业的金融损失方面发挥着至关重要的作用。也许每年可能导致数十亿美元损失的最相关的预测任务是信用风险的评估(即,债务违约风险)。今天,机器学习预测信用风险的大部分收益都是由梯度提升决策树模型驱动的。然而,在没有增加昂贵的新数据源或高度工程化的功能的情况下,这些收益开始趋于平稳。在本文中,我们尝试创建一种新的方法来评估信用风险,使用深度学习,不依赖于新的模型输入。我们提出了一种新的信用卡交易采样技术,用于深度循环和因果卷积为基础的神经网络,利用长期的历史序列的金融数据没有昂贵的资源需求。我们表明,我们使用时间卷积网络的顺序深度学习方法优于基准的非顺序树模型,实现了显著的财务节省和信用风险的早期检测。我们还展示了我们的方法在生产环境中使用的潜力,在生产环境中,我们的采样技术允许序列有效地存储在内存中,并用于快速在线学习和推理。
2020-12-30 cs.LG q-fin.RM
A method for incremental discovery of financial event types based on anomaly detection
Jilin University(吉林大学)
金融领域的事件数据集往往是基于实际应用场景构建的,其事件类型受场景约束,可重用性较弱;同时,海量多样的新型金融大数据也不能局限于针对特定场景定义的事件类型。这种有限的事件类型并不能满足我们对更复杂任务的研究需求,例如对重大金融事件的预测和对金融事件的连锁反应的分析。在本文中,提出了一个三阶段的方法来实现事件类型的增量发现。对于现有的带注释的金融事件数据集,三阶段方法包括:对于具有原始和未知事件类型的混合的金融事件数据集,首先应用具有异常检测的半监督深度聚类模型将数据分类为正常和异常事件,其中异常事件是不属于已知类型的事件;则用适当的事件类型标记正常事件,并且合理地聚类异常事件。最后,使用聚类关键字提取方法为新的事件聚类推荐事件的类型名称,从而增量地发现新的事件类型。所提出的方法是有效的增量发现新的事件类型的真实数据集。
2023-02-16 cs.AI cs.DB cs.LG
Explaining Anomalies using Denoising Autoencoders for Financial Tabular Data
Deutsche Bundesbank(德意志联邦银行);German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心);Bonn-Rhein-Sieg University of Applied Sciences(波恩-莱茵-锡格应用技术大学)
可解释人工智能(XAI)的最新进展增加了在各个行业部署安全和可解释人工智能模型的需求。尽管深度神经网络在各个领域取得了最新的成功,但对于领域专家来说,理解这种复杂模型的决策过程仍然是一项具有挑战性的任务。特别是在金融领域,仅仅指出一个由数百个混合类型列组成的异常,对专家来说价值有限。因此,在本文中,我们提出了一个框架,用于解释异常使用去噪自动编码器设计的混合类型的表格数据。我们特别将我们的技术集中在错误观测的异常上。这是通过定位具有潜在错误的单个样本列(单元格)并分配相应的置信度得分来实现的。此外,该模型还提供了预期的单元格值估计值以修复错误。我们评估我们的方法基于三个标准的公共表格数据集(信用违约,成人,IEEE欺诈)和一个专有数据集(控股)。我们发现,应用于此任务的去噪自动编码器在单元错误检测率和预期值率方面已经优于其他方法。此外,我们分析了如何专门为细胞错误检测设计的损失,可以进一步提高这些指标。我们的框架是专为领域专家了解异常的异常特征,以及改善内部数据质量管理过程。
2022-10-03 cs.CE cs.LG
Measuring Privacy Risks and Tradeoffs in Financial Synthetic Data Generation
Rensselaer Polytechnic Institute(拉特格斯理工学院)
本文研究了金融领域合成数据生成中隐私与效用的权衡,通过改进GAN和自编码器的隐私保护实现,评估了不同数据集平衡性对生成质量的影响。
2026-02-10 cs.LG
Fin-Fed-OD: Federated Outlier Detection on Financial Tabular Data
German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心);RPTU Kaiserslautern-Landau(凯撒斯劳滕-兰道工业大学);Bonn-Rhein-Sieg University of Applied Sciences(波恩-莱茵-锡格应用科学大学)
针对隐私限制下跨组织无法共享数据的问题,提出利用表示学习和联邦学习的Fin-Fed-OD方法,通过共享自编码器模型参数细化内点决策边界,显著提升了各组织对未知离群点的分类能力。
2024-04-23 cs.AI cs.LG
V4FinBench: Benchmarking Tabular Foundation Models, LLMs, and Standard Methods on Corporate Bankruptcy Prediction
Department of Artificial Intelligence, Wrocław University of Science and Technology(华沙理工大学人工智能系);Tooploox;Opera
本文提出V4FinBench,包含超过一百万条记录的企业破产预测数据集,用于评估在现实类别不平衡下的表格和基础模型方法,展示了TabPFN在长时间范围内的表现优于梯度提升,而LLM在ROC-AUC和F1分数上均弱于梯度提升。
2026-05-13 cs.LG
Machine-Learning Assessment of the Predictive Value of Inflammatory Biomarkers for Cognitive Impairment in an Older Hispanic Adult Cohort
Worcester Polytechnic Institute(伍斯特理工学院);Centro de Vacunación e Investigación (CEVAXIN)(疫苗接种与研究中心(CEVAXIN));Universidad Tecnológica de Panamá(巴拿马理工大学);Instituto de Investigaciones Científicas y Servicios de Alta Tecnología (INDICASAT AIP)(高科技科学研究与服务研究所(INDICASAT AIP));Secretaría Nacional de Ciencia, Tecnología e Innovación (SENACYT)(国家科学、技术与创新秘书处(SENACYT));Universidad Católica Santa María La Antigua(圣玛丽亚拉安提瓜天主教大学)
本研究利用PARI-HD队列数据,通过可解释的朴素贝叶斯分类器评估炎症标志物,发现I-309/CCL1显著提升认知障碍预测性能,可作为候选特征。
2026-09-18 cs.LG
Class-Imbalanced-Aware Adaptive Dataset Distillation for Scalable Pretrained Model on Credit Scoring
Risk Management Division, China Development Bank(国家开发银行风险管理部);School of Finance, Central University of Finance and Economics(中央财经大学金融学院);GF Holdings (Hong Kong) Corporation Limited(广发控股(香港)有限公司);University of Cambridge(剑桥大学)
本文提出一种结合表型定制数据集蒸馏技术与预训练模型的框架,提升TabPFN在金融表格数据上的可扩展性,并探索类别不平衡对数据集蒸馏过程的影响,提升金融数据集的AUC性能。
2026-03-29 cs.AI cs.LG q-fin.RM
Unsupervised Anomaly Detection Using Flow Matching on Tabular Data
University of Mannheim(曼海姆大学);MPI for Informatics(马克斯·普朗克信息学研究所);Saarland Informatics Campus(萨尔兰信息学园区)
本研究针对受污染训练数据下的表格异常检测,对比TCCM与Forest-Flow,发现轨迹类异常评分更稳定,Forest-Flow表现可与TCCM媲美甚至更优,凸显异常评分的重要性。
2026-08-21 cs.LG
Understanding Structured Financial Data with LLMs: A Case Study on Fraud Detection
The Ohio State University(俄亥俄州立大学);Coinbase, Inc.(Coinbase公司)
本文提出FinFRE-RAG方法,通过特征缩减和检索增强学习提升欺诈检测性能,优于直接提示方法并在某些设置中与传统模型竞争。
2026-04-08 cs.CL cs.LG
Generative AI for Banks: Benchmarks and Algorithms for Synthetic Financial Transaction Data
University of St.Gallen(圣加仑大学);Aboitiz Data Innovation(阿博伊蒂兹数据创新公司);University of Kassel(卡塞尔大学)
本研究评估了五种生成合成金融交易数据的模型,发现各模型在保真度、隐私等方面各有优势,为银行业选择算法提供了依据。
2024-12-19 cs.LG
Local Updates, Global Learning (LUGL): Playing Games with non-incremental Learners
Czech Technical University in Prague(布拉格捷克技术大学);University of Essex(埃塞克斯大学);Maastricht University(马斯特里赫特大学)
本研究提出LUGL框架,使LightGBM等非增量学习器可用于强化学习博弈场景,在多类完美与不完美信息博弈中性能优于或相当DQN、DeepCFR,打破博弈中神经网络的主导偏见。
2026-09-04 cs.AI cs.LG
Privacy Preserving Diffusion Models for Mixed-Type Tabular Data Generation
Deutsche Bundesbank(德国联邦银行);Swiss Federal Audit Office(瑞士联邦审计局);University of St.Gallen(圣加伦大学)
DP-FinDiff通过差分隐私保护实现混合类型表格数据生成,提升数据生成质量和实用性,适用于敏感领域数据共享。
2025-11-29 cs.LG
A supervised generative optimization approach for tabular data
Yale University(耶鲁大学);University of Pittsburgh(匹兹堡大学);J.P. Morgan AI Research(摩根大通人工智能研究院)
针对表格合成数据方法难选择且忽视下游任务的问题,提出融合任务定制监督组件与元学习的生成框架,以学习现有合成分布的最优混合。
2024-05-09 cs.LG
Relational Graph Modeling for Credit Default Prediction: Heterogeneous GNNs and Hybrid Ensemble Learning
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出异构图神经网络与混合集成学习方法,通过构建大规模异构图整合借款人与交易数据,提升信用违约预测的准确性和公平性。
2026-01-21 cs.LG
ERP-RiskBench: Leakage-Safe Ensemble Learning for Financial Risk
ERP-RiskBench通过泄漏安全的集成学习方法,提升ERP系统中金融风险检测的准确性和可解释性。
2026-03-03 cs.AI cs.LG
AnnotatedTables: A Large Tabular Dataset with Language Model Annotations
Iowa State University(爱荷华州立大学);RelationalAI(RelationalAI公司)
本研究提出可灵活生成多类标注的LLM表格数据标注方法,发布含32119个数据库、405616个有效SQL的AnnotatedTables数据集,并通过SQL转Rel、TabPFN性能评估两项研究验证其价值,证明LLM可自动化大规模表格标注。
2024-06-24 cs.LG
VisTabNet: Adapting Vision Transformers for Tabular Data
Faculty of Mathematics and Computer Science, Jagiellonian University(数学与计算机科学学院,杰兹维日大学)
VisTabNet通过将表格数据投影为补丁嵌入,使预训练视觉变换器可处理表格数据,在小型数据集上优于传统方法和深度学习模型。
2025-04-25 cs.AI cs.CV cs.LG
Incremental Evaluation and Training in Relational Deep Learning
Czech Technical University in Prague(布拉格捷克技术大学)
本文针对关系深度学习(RDL)现有评估忽略数据随时间演化的局限,提出增量多轮评估与训练范式,发现多数RDL任务存在时间概念漂移,增量微调模型性能优于从头训练基线。
2026-08-14 cs.DB cs.LG
VT-GAN: Cooperative Tabular Data Synthesis using Vertical Federated Learning
National University of Singapore(新加坡国立大学);University of Birmingham(伯明翰大学);TU Delft(代尔夫特理工大学)
本文提出VT-GAN框架,通过垂直联邦学习在多方分布式表格数据上隐私保护地训练GAN,并结合洗牌训练防止数据重建,实验表明其合成数据质量接近集中式GAN,效用差异最低仅2.7%。
2025-02-14 cs.LG
Sensitive Data Detection with High-Throughput Neural Network Models for Financial Institutions
Capital One Applied Research(Capital One应用研究院)
命名实体识别在许多领域得到了广泛的研究。然而,由于缺乏公开可用的标记数据集,敏感实体检测在金融机构生产系统中的应用尚未得到很好的探索。在本文中,我们使用内部和合成数据集来评估各种方法来检测金融机构中常见的非公开个人身份信息(NPI),包括非结构化和结构化数据格式。在两个预测任务上研究了包括CNN、LSTM、BiLSTM-CRF和CNN-CRF在内的神经网络模型:(i)多个数据格式上的实体检测,以及(ii)表格数据集上的列式实体预测。我们将这些模型与其他标准方法在真实数据和合成数据上进行了比较,包括F1分数,精度,召回率和吞吐量。真实的数据集包括内部结构化数据和带有手动标记标签的公共电子邮件数据。我们的实验结果表明,CNN模型在准确性和吞吐量方面简单而有效,因此是部署在生产环境中的最合适的候选模型。最后,我们提供了关于数据限制、数据标签和数据实体内在重叠的几个经验教训。
2020-12-17 cs.LG
HiER-BLS: A Hierarchy-Guided and Error-Correcting Robust Incremental Broad Learning System
South China University of Technology(华南理工大学);Pazhou Lab(琶洲实验室)
提出HiER-BLS,通过层级引导表示增长与纠错学习,解决BLS增量扩展缺乏指导及权重误差问题,在图像和表格数据集上提升分类性能。
2026-10-06 cs.LG
Generating tabular datasets under differential privacy
Vrije Universiteit Amsterdam(阿姆斯特丹自由大学)
本研究提出TableDiffusion,首个差分隐私扩散模型,利用注意力机制学习可逆表格表示,在相同隐私保证下生成更高质量的表格数据,避免模式崩溃,实现最先进性能。
2023-08-28 cs.AI cs.CR cs.DB
Comparative Analysis of Transformers for Modeling Tabular Data: A Casestudy using Industry Scale Dataset
BITS Pilani(比尔拉科学技术学院皮拉尼校区);American Express AI Labs(美国运通人工智能实验室)
本文针对基于transformer的表格数据建模模型在行业规模数据集上表现不佳的问题,利用合成数据集和美国运通Kaggle数据集进行广泛比较分析,提供了数据预处理、预训练与监督学习比较及特征管理策略,旨在促进时序金融数据建模的可扩展性。
2023-11-24 cs.AI cs.LG
Detecting Complex Money Laundering Patterns with Incremental and Distributed Graph Modeling
ING Bank Amsterdam, The Netherlands Eindhoven University of Technology Eindhoven, The Netherlands;Identity \& Risk Intelligence Adyen Amsterdam, The Netherlands;Mathematics \& Computer Science Eindhoven University of Technology Eindhoven, The Netherlands
本文提出ReDiRect框架,通过无监督方法将大交易图分割为小组件,提升分布式处理效率,并定义新评估指标,验证其在效率和实际应用中的优越性。
2026-04-14 cs.LG
Gradient Reduction Convolutional Neural Network Policy for Financial Deep Reinforcement Learning
University of North Texas(北得克萨斯大学);Artificial Intelligence Research Center (AIRC)(人工智能研究中心(AIRC))
本文提出两项改进CNN模型的方法:输入阶段集成归一化层以稳定训练动态,并采用梯度缩减架构以捕捉复杂模式,显著提升了金融表格数据的预测准确性和模型稳定性。
2024-08-16 cs.LG q-fin.CP
TableNet: Deep Learning model for end-to-end Table detection and Tabular data extraction from Scanned Document Images
TCS Research(塔塔咨询服务公司研究院)
随着移动电话和扫描仪广泛用于拍摄和上传文档,提取非结构化文档图像(如零售收据、保险索赔表和财务发票)中的信息的需求变得越来越迫切。实现这一目标的一个主要障碍是,这些图像通常包含表格形式的信息,从表格子图像中提取数据提出了一系列独特的挑战。这包括准确检测图像内的表格区域,以及随后从检测到的表格的行和列中检测和提取信息。虽然在表检测方面已经取得了一些进展,但提取表内容仍然是一个挑战,因为这涉及到更细粒度的表结构(行和列)识别。先前的方法已经尝试使用两个单独的模型来独立地解决表检测和结构识别问题。在本文中,我们提出了TableNet:一种用于表格检测和结构识别的新型端到端深度学习模型。该模型利用表检测和表结构识别的孪生任务之间的相互依赖性来分割出表和列区域。这之后是从所识别的表格子区域中基于语义规则的行提取。在公开可用的ICDAR 2013和Marmot Table数据集上对所提出的模型和提取方法进行了评价,获得了最新的结果。此外,我们还证明了提供额外的语义特征进一步提高了模型性能,并且该模型具有跨数据集的迁移学习。本文的另一个贡献是为Marmot数据提供额外的表结构注释,目前只有表检测的注释。
2020-01-06 cs.CV cs.LG eess.IV
Continual Learning for Unsupervised Anomaly Detection in Continuous Auditing of Financial Accounting Data
University of St. Gallen (HSG)(圣加仑大学(HSG))
国际审计标准要求直接评估财务报表的基本会计分录。在人工智能进步的推动下,受深度学习启发的审计技术应运而生,用于检查大量的期刊条目数据。然而,在定期审计中,大多数提出的方法都用于从相对固定的期刊条目群体中学习,例如,一个财政季度或一年。忽略审计相关分布变化在训练数据中不明显或随着时间的推移逐渐可用的情况。相比之下,在持续审计中,深度学习模型在记录的日志条目流上持续训练,例如,最后一个小时。导致以前的知识干扰新的信息,并将完全覆盖的情况。这项工作提出了一个持续的异常检测框架,以克服这两个挑战,旨在从一个流的日志条目数据的经验。该框架是基于精心设计的审计方案和两个真实世界的数据集进行评估。我们的实验结果提供了初步的证据表明,这样的学习计划提供了减少假阳性警报和假阴性决策的能力。
2022-03-31 cs.LG
TIMeSynC: Temporal Intent Modelling with Synchronized Context Encodings for Financial Service Applications
Capital One
针对金融服务中多渠道异构时间数据的意图预测挑战,提出TIMeSynC编码器-解码器Transformer模型,解决序列对齐、时间动态学习及动静态结合问题,实验显示其相比现有表格方法有显著改进。
2025-11-18 cs.LG q-fin.GN
Online learning techniques for prediction of temporal tabular datasets with regime changes
Imperial College London(帝国理工学院)
本文提出一种模块化机器学习流水线,用于制度变化下时序面板数据预测排序,并结合动态特征投影与动态模型集成等在线学习技术,在不重新训练模型的情况下提升金融预测的鲁棒性和收益指标。
2023-08-10 cs.CE cs.LG q-fin.CP
A Multi-Scale Graph Learning Framework with Temporal Consistency Constraints for Financial Fraud Detection in Transaction Networks under Non-Stationary Conditions
本文提出STC-MixHop框架,结合多尺度传播与轻量时间一致性建模,用于动态交易网络中的异常检测。通过多尺度邻居扩散编码、时空注意力模块和自监督预训练策略,提升欺诈检测性能,尤其在高不平衡数据中表现优异。
2026-03-15 cs.CR cs.LG
Mitigating Model Drift in Developing Economies Using Synthetic Data and Outliers
University of Oxford(牛津大学);University of Cambridge(剑桥大学)
针对中亚和高加索发展中经济体因宏观经济冲击导致的金融机器学习模型漂移问题,提出通过添加少量合成异常值提升模型稳定性的方法,并引入双层框架评估,实验证明该方法普遍优于基线模型。
2025-10-13 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
Provenance Guided Incremental Learning Under Evolving Concept Definitions
Mohammed Premier University(穆罕默德一世大学)
针对规则诱导的概念漂移,提出溯源引导增量学习框架,结合RuleShift-Bench基准验证,该方法仅重新处理少量历史数据即可实现高精度的概念修订修复,大幅降低更新延迟。
2026-08-26 cs.AI cs.LG
Homological Convolutional Neural Networks
University College London(伦敦大学学院)
针对表格数据特征相关性弱、依赖结构难以建模的问题,提出一种利用拓扑约束网络表示的同调卷积神经网络,通过卷积和网络拓扑概念实现数据驱动构建、可解释性和可扩展性,在18个基准数据集上达到最先进性能。
2023-11-14 cs.AI cs.CC cs.LG
Q-Star Meets Scalable Posterior Sampling: Bridging Theory and Practice via HyperAgent
The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Tencent AI and Robotics X(腾讯AI与机器人X实验室)
本文提出基于超模型框架的强化学习算法 HyperAgent,通过高效增量近似最优 Q 值后验实现探索,在大规模深度 RL 基准上表现稳健,并在表格设定下实现对数级每步计算复杂度和次线性遗憾。
2024-06-14 cs.AI cs.LG stat.ML
Provably Robust Pre-Trained Ensembles for Biomarker-Based Cancer Classification
Harvard University(哈佛大学);Dongguk University(东国大学)
本文提出可证明稳健的预训练集成模型,用于基于生物标志物的癌症分类,实现高准确率和稳健性,同时减少特征使用和调优需求。
2025-11-20 cs.AI cs.LG stat.ML