基于黑箱攻击的信用卡欺诈检测模型安全性评估框架
光华讲坛——社会名流与企业家论坛第6661期
主题：基于黑箱攻击的信用卡欺诈检测模型安全性评估框架
主讲人：四川大学教授 肖进
主持人：西南财经大学 管理科学与工程学院副院长 肖辉
时间：11月7日10:00
地点：通博楼D301会议室（温江柳台大道555号）
主办单位：管理科学与工程学院
主讲人简介：
肖进，研究领域智能金融，四川大学商学院教授，博导，2018年作为首席专家主持国家社科重大项目并入选四川省突出贡献专家和四川省天府万人计划天府社科精英，2020年获得四川省杰出青年基金，2023年入选四川省学术和技术带头人，2024年入选国家万人计划哲社领军人才。共获得3项四川省科技进步奖二等奖，和1项四川省优秀哲社成果二等奖1项。
内容提要：
机器学习模型已经被广泛应用于信用卡欺诈检测(credit card fraud detection，CCFD)领域，然而，已有的研究主要关注模型的检测性能，很少关注其安全性。近年来，其它领域的研究表明机器学习模型很容易受到对抗攻击。目前，黑箱攻击算法最为常用。已有的黑箱攻击算法在生成对抗样本时需要向目标模型查询大量样本的标签，在现实的信用卡欺诈中很难满足这一条件。因此，本研究提出了一个基于黑箱攻击的CCFD模型安全性评估框架；在该框架下，进一步提出了一种半监督迁移黑箱攻击(semi-supervised transfer black-box attack，STBA)算法来评估已有的CCFD机器学习模型的安全性。该算法不需要向目标模型进行大量查询，而是利用半监督学习技术从无类别标签样本集中选择性标记一部分样本的类别来辅助训练替代模型，进而提高替代模型与目标模型判别函数的相似性。在两个真实CCFD数据集上进行实验，使用构建的2种不同版本的STBA算法来攻击包括深度神经网络在内的6种目标模型。结果发现，和传统的黑箱攻击算法相比，STBA算法能够进一步降低CCFD机器学习模型在生成的对抗样本集上的分类准确率；面对STBA算法生成的对抗样本，六种CCFD模型都基本丧失了识别欺诈交易的能力。这证明了本研究提出的安全性评估框架的可行性和有效性，为银行评估和提升CCFD模型的安全性提供了重要参考。
相关知识
基于多尺度数据集的虫害检测模型
AI 基础设施的疫情防控：智能化传染病监测与预警
基于视觉加强注意力模型的植物病虫害检测
基于深度学习的花卉检测与识别系统（网页版+YOLOv8/v7/v6/v5代码+训练数据集）
农药风险评估检测方案
基于特征检测的蔬菜叶片病虫害识别模型研究
基于深度学习的田间杂草检测系统（网页版+YOLOv8/v7/v6/v5代码+训练数据集）
基于深度学习特征的植物病虫害检测
基于YOLOv8深度学习的智能小麦害虫检测识别系统【python源码+Pyqt5界面+数据集+训练代码】目标检测、深度学习实战
基于YOLOv8深度学习的水稻害虫检测与识别系统【python源码+Pyqt5界面+数据集+训练代码】目标检测、深度学习实战
网址: 基于黑箱攻击的信用卡欺诈检测模型安全性评估框架 https://m.huajiangbk.com/newsview370382.html
| 上一篇: 活动策划实用（3篇） |
下一篇: 电视台栏目主持人巾帼建功先进个人 |
