arXiv · cs.AI · Huilin He, Weiyu Han, Linbo Shao, Ruobing Zuo, Xiao Tan, Shuai Chen, Dawei Cheng · 3 小时前模型评分37
PaySeqGen：用可解释逆向强化学习重建在线支付欺诈策略
Reconstructing Fraudulent Strategies in Online Payments via Interpretable Inverse Reinforcement Learning
导读
研究团队提出 PaySeqGen，一个可解释的逆向强化学习框架，从欺诈者已观测的支付轨迹中重建欺诈行为策略，生成新的欺诈序列用于增强检测器。在 Ant International 真实支付场景实验中，该方法优于当前最先进的生成式增强方法，其基于奖励的轨迹分析还能帮助分析师定位可疑片段、识别多步欺诈手法。
分类置信度
中 · 待人工复核
- 只有单一媒体来源，需要人工复核。
来源级别：媒体与个人
应用领域：金融
事件类型：研究发布
证据摘录
- “To this end, we propose PaySeqGen, an interpretable inverse reinforcement learning framework that reconstructs fraud behavior policies from fraudsters' observed payment trajectories.”
来源：arXiv · cs.AI · arxiv.org