摘要: 当今,各种互联网金融风险(比如,欺诈、盗卡、薅羊毛等)层出不穷,为了更有效且高效地保障资金安全,需要应用先进的机器学习技术进行风险防控。近年来,使用深度神经网络(DNN)在有标签的数据上训练风控模型,取得了良好的效果。对于这类方法而言,获取准确的标签信息对于最...
当今,各种互联网金融风险(比如,欺诈、盗卡、薅羊毛等)层出不穷,为了更有效且高效地保障资金安全,需要应用先进的机器学习技术进行风险防控。近年来,使用深度神经网络(DNN)在有标签的数据上训练风控模型,取得了良好的效果。对于这类方法而言,获取准确的标签信息对于最终模型的性能至关重要。而在部分现实场景里,经常由于各种各样的原因无法获取到准确的标签,或者获取准确标签的成本很高。
比如,在国际盗卡场景中,通常需要等6个月才能获得反馈的案件标签。这其中的机会点在于,虽然准确的标签信息较难得到,而带有噪声的弱标签却容易获得。
因此,支付宝天筭风控实验室与中科院信工所等专家学者,为了提升行业整体的安全防控能力,将研究重心放在“如何利用多个弱标签的信息进行分类器的构建”上,并提出了一种创新的基于深度学习的双视图分类算法,充分利用多个弱标签的信息进行建模。具体而言,新算法尝试在特征空间和标签空间两个视图里分别构建分类器,在训练过程中,两个分类器的结果互为指导、互相监督,通过交替迭代更新,最终训练出性能稳定的分类器。
据了解,本次入选AAAI国际人工智能学术会议的论文系蚂蚁金服安全专项科研基金的部分成果。此外,该项目在移动安全、机器学习、人工智能、密码学和隐私安全等领域均有专项研究。