هوش مصنوعی
PaySeqGen برای بازسازی راهبردهای تقلب در پرداخت آنلاین پیشنهاد شد
پیش‌چاپی در arXiv چارچوبی مبتنی بر یادگیری تقویتی معکوس معرفی می‌کند که هدفش بازسازی سیاست‌های رفتاری کلاهبرداران از روی تراکنش‌های مشاهده‌شده است.
پژوهشگران در پیش‌چاپی با معرفی PaySeqGen می‌خواهند نمونه‌های تقلب را برای تقویت داده‌های آموزشی سامانه‌های کشف تقلب تولید کنند. به‌گفتهٔ چکیده، روش‌هایی که فقط توزیع ویژگی‌های تراکنش را بازسازی می‌کنند، لزوماً پیوندهای زمانی میان انتخاب‌های تراکنشی، بازخورد پرداخت و تغییر رفتار بعدی را حفظ نمی‌کنند.
PaySeqGen چارچوبی تفسیرپذیر مبتنی بر یادگیری تقویتی معکوس است که سیاست‌های رفتاری کلاهبرداران را از تراکنش‌های پرداخت مشاهده‌شده بازسازی می‌کند. چکیدهٔ در دسترس دربارهٔ نتایج ارزیابی یا میزان اثربخشی این روش جزئیاتی ارائه نمی‌دهد.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده