<i id='kw93i'></i>

      <code id='kw93i'><strong id='kw93i'></strong></code>

    1. <tr id='kw93i'><strong id='kw93i'></strong><small id='kw93i'></small><button id='kw93i'></button><li id='kw93i'><noscript id='kw93i'><big id='kw93i'></big><dt id='kw93i'></dt></noscript></li></tr><ol id='kw93i'><table id='kw93i'><blockquote id='kw93i'><tbody id='kw93i'></tbody></blockquote></table></ol><u id='kw93i'></u><kbd id='kw93i'><kbd id='kw93i'></kbd></kbd>
    2. <ins id='kw93i'></ins>

      <dl id='kw93i'></dl>

      <i id='kw93i'><div id='kw93i'><ins id='kw93i'></ins></div></i>
      <acronym id='kw93i'><em id='kw93i'></em><td id='kw93i'><div id='kw93i'></div></td></acronym><address id='kw93i'><big id='kw93i'><big id='kw93i'></big><legend id='kw93i'></legend></big></address>
      <span id='kw93i'></span>

            <fieldset id='kw93i'></fieldset>

            深度森林法则:注册送58金提现让金融欺诈无所遁形

            • 时间:
            • 浏览:14
            • 来源:IU科技资讯网
            深度森林法则:让金融欺诈无所遁形

            7 月 31 日  ,第一财经研究院联合腾讯安全联合实验室发布了《2019上半年科技金融安全报告》  ,数据显示:金融交易平台已超万家  ,上半年日均漏洞攻击128万次;同时  ,网络攻击次数和强度有不断增长趋势  ,相应技术呈现出专业化、产业化、隐蔽化、场景化的特征  。在众多专业的金融欺诈行为中  ,套现欺诈是最常见的几种之一 ,为金融行业带来极大风险压力  。

             

            “魔高一尺  ,道高一丈” 。不断发展成熟的人工智能技术 ,为应对金融风险提供了越来越多武器  ,深度森林就是其中一种  。尤其是针对套现欺诈  ,表现突出  。前不久 ,南京大学机器学习与数据挖掘研究所(以下简称“LAMDA 团队”)与某互联网金融巨头合作 ,借助深度森林模型  ,针对套现行为进行检测  。结果标明:针对套现欺诈这样的超大规模任务  ,即便面对不同评估标准  ,只需微调模型参数  ,深度森林模型可以展现当前最佳性能  ,从而有效阻止大量套现欺诈行为发生;和目前已经部署的其他最佳模型相比 ,深度森林模型能够显著减少经济损失 。

            深度森林的应用绝不仅限于检测金融欺诈  。经过实验室及真实应用场景论证 ,在金融数据分析、情感分类等需要离散建模、混合建模或符号建模的应用场景中  ,深度森林比深度神经网络表现更优异 。作为一种出色的算法  ,深度森林离不开英特尔® 至强可® 扩展处理器在处理器层面的支持 。

            面对深度森林

            内核更多  ,算力更强

            海量的数据、缜密的业务逻辑以及高度的安全需求  ,让金融行业自然成为AI应用的重中之重  。不过  ,数据科学家利用深度神经网络进行处理时  ,由于金融数据的稀疏性与高维性 ,往往会导致偏差或信息丢失 。而基于树结构的深度森林模型能更好地处理此类场景  。

             

            深度森林 gcForest 模型结构

            深度森林汲取了深度学习的多层处理结构思想  ,是一种全新的决策树集成方法  ,提升了多维度数据下的表征学习能力;同时  ,小规模数据集在训练中同样表现不俗  ,而且数据容错能力更好  ,处理多样化数据的能力更高  。也就是说  ,大多数情况下  ,用户可使用默认设定训练不同领域的不同数据  ,从而可以在更广泛和便捷的实际场景中加以应用  ,取得良好效果  ,理论分析也更简单  。

            深度森林的出色表现  ,源于算法本身对计算力的不同需求  。深度神经网络侧重海量矩阵乘法计算  ,而深度森林侧重多层级树架构的决策计算 ,对并行计算的需求远大于矩阵计算 ,而这正是拥有众核、高频特性的英特尔架构处理器的特长 。

            深度森林侧重并行任务处理机制  ,只要处理器内核增加  ,就能带来训练效率的线性增长  ,英特尔多核架构正可以一展身手  。同时 ,更高的处理器时钟频率大幅提升了训练速度  。英特尔新一代的至强® 可扩展处理器  ,为深度森林训练任务提供更为强劲的计算力——它不仅集成多达 28个处理器内核  ,微架构也进行了全面升级优化  ,并配备了更快、效率更高的高速缓存来提升处理效能 。处理器配备的高级矢量扩展 512(英特尔AVX-512)技术  ,让深度森林多任务并行处理能力更上一层楼  。

             

            AI 研究全球第一梯队的选择

            南京大学的 LAMDA团队 ,隶属于 AI研究组织中的全球第一梯队 。他们深知高性能芯片硬件对于 AI 研究的重要意义  。与英特尔的合作  ,不但利用英特尔在芯片、编译软件以及指令集层面的深层优化来提升训练效率和质量  ,更从英特尔提供的硬件方案出发  ,优化算法与模型设计 ,使之更贴合产业界的实际需求  。

            同时 ,英特尔也源源不断吸收 LAMDA 的成果 ,以之反馈芯片和指令集以及软硬件产品的设计研发 ,从而推动深度森林方法在各行各业应用落地 。

            目前  ,在套现欺诈行为检测上  ,深度森林可以帮助金融企业构建更优异的反欺诈风控解决方案 ,有效降低经济损失  。深度森林的价值还在多家证券、互联网金融行业企业应用场景中得到了同样验证 。随着模型和算法不断完善  ,我们将会看到它在更多行业和领域的 AI 应用中发挥所长  。