基于三明治结构深度学习框架金融反欺诈模型研究和应用.PDFVIP

案例研究 英特尔® 至强® 处理器产品家族 面向英特尔® 架构优化的Tensorflow 英特尔® Python发行版 英特尔® BigDL 金融反欺诈 基于三明治结构深度学习框架的金融反欺诈 模型研究与应用 电子商务与电子支付国家工程实验室* 是2013年经国家发展改革委审批认定，由中国银 联* 承建的金融业首家国家工程实验室。实验室的建设目标是建成国内一流、国际知名 的电子商务与电子支付研究基地，全面加强技术攻关，力争在全球电子商务、电子货币和 电子支付技术领域占据领先地位。而另一个行业新星众安科技* 源于保险业巨头众安保 险*，以云计算、人工智能等领域的基础技术研发为导向，业务涵盖金融及健康医疗领域 的上下游及周边，其牵头探索互联网保险生态等创新业务模式，正为用户输出综合性的 行业解决方案。 金融行业业务的高速扩张也意味着风险指数的急剧上升，尤其在金融欺诈风险上，一项 来自尼尔森* 全球银行卡报告的数据显示：2016年全球银行卡欺诈损失率已高达万分之 7.15。居高不下的欺诈率背后是传统风控方法在精准度和时效性方面面临挑战，金融企 业迫切需要建立更新的智能风险防控体系。为此，电子商务与电子支付国家工程实验室、 众安科技以及英特尔三方针对相关金融风控需求，结合各自的优势，共同开展了基于深 度学习的反欺诈技术研究，并结合以往基于规则和传统机器学习等方法中汲取的经验， 创新提出了基于三明治结构的多层欺诈侦测方案框架。该方案目前已在伪卡、套现欺诈 侦测等场景进行了实测，获得了良好的效果，并有望在其他交易欺诈、信用欺诈以及保险 欺诈等更多风险侦测场景发挥优势。 面临挑战 金融反欺诈面临新的挑战：互联网时代的到来，令金融欺诈行为变得更高频化和精准化， 层出不穷的欺诈行为给社会生活带来巨大不安，传统的反欺诈方法和模型亟待改进，以 应对新的挑战。 | 案例研究  基于三明治结构深度学习框架的金融反欺诈模型研究与应用 深层次交易特征学习能力不足：基于规则和机器学习的金融反欺 息泄露、欺诈黑产化等问题，也导致更高频化、精准化的欺诈犯 诈模型在对相对复杂的序列化交易特征进行学习时，效果低于预 罪，羊毛党、互联网欺诈等行为正在变得愈发猖獗。以银行卡为 期，同时单一的深度学习方法也存在单笔交易内特征学习能力有 例，传统风险与新型风险相互交织，各类犯罪手法不断翻新，如图 限的问题。 一所示，自2010年开始，全球银行卡欺诈损失率随着欺诈损失金 额增长而逐年上升。2016年欺诈损失金额达247.1亿美元，相比 解决方案 1 2010年的4.5BP上升60%。 三明治结构欺诈侦测模型：电子商务与电子支付国家工程实验 室、众安科技与英特尔一起，创新地提出GBDT→GRU→RF三明治 结构欺诈侦测模型架构，通过多层学习的方法，规避序列化交易 特征学习能力不足以及单笔交易内特征学习能力有限等问题。 英特尔技术提供全面支撑：英特尔不仅为新模型提供了性能卓越