.png){kind=icon}
返回
CGTCTR: telecom fraud detection based on data imputation and integrated deep optimization classification model
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.130668.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
电信诈骗因其跨区域和智能化的特点，对社会安全构成严重威胁。然而，实际的电信数据常存在缺失值、高维非线性及时空动态相关性等问题，导致传统检测方法的准确性受限。针对这一问题，本研究提出了一种结合数据插补与集成深度分类的电信诈骗检测模型，旨在提升复杂场景下的检测精度和鲁棒性。首先，设计了一种结合通道-空间注意力机制与生成对抗插值网络（CSAM-GAIN）模型用于数据插补。通过系列通道和空间注意力机制捕捉数据的时空相关性，并利用加权损失优化生成接近真实分布的补全数据，以解决现有方法对缺失值相关性捕捉不足的问题。其次，构建了集成分类模型。卷积时间卷积网络（Convolutional Time Convolutional Network）模块分别提取局部空间特征和时序特征；通道-空间注意力Inception机制模块通过多尺度残差结构和混合注意力增强特征区分度；SwinTransformer模块捕捉全局时空依赖关系，弥补局部特征提取的局限性。实验验证了模型性能。结果表明，所提模型在准确率上优于基线方法，集成分类模型相较于主流模型将准确率提升了2%-5%。本研究为电信诈骗检测提供了一种兼顾数据完整性与特征深度挖掘的解决方案，对推动智能反欺诈技术的实际应用具有重要意义。
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
引用论文
Cost-Sensitive GNN-Based Imbalanced Learning for Mobile Social Network Fraud Detection基于代价敏感的GNN不平衡学习的移动社交网络欺诈检测
OAAI
OAAI分享收藏A novel framework for rosacea detection using Swin Transformers and explainable artificial intelligence使用Swin变压器和可解释的人工智能检测酒渣鼻的新框架
PREAI
分享收藏Missing data imputation with adversarially-trained graph convolutional networks使用敌方训练的图卷积网络进行缺失数据插补.png)
NEURAL NETWORKS
OAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏Multivariate time series data imputation using attention-based mechanism基于注意力机制的多变量时间序列数据插补NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏A Cross-Modal Generative Adversarial Network for Scenarios Generation of Renewable Energy用于可再生能源场景生成的跨模态生成对抗网络
PREAI
分享收藏Atrous spatial pyramid pooling with swin transformer model for classification of gastrointestinal tract diseases from videos with enhanced explainability膨胀空间金字塔池化与Swin Transformer模型结合的视频胃肠道疾病分类及增强可解释性OAAI
OAAI分享收藏分享收藏Traffic Flow Imputation Using Parallel Data and Generative Adversarial Networks基于并行数据和生成对抗网络的交通流插补
PREAI
分享收藏Image harmonization with Simple Hybrid CNN-Transformer Network基于简单混合CNN-变压器网络的图像协调NEURAL NETWORKS
NEURAL NETWORKSIF6.3
PREAI
分享收藏
查看更多内容