Новый уровень защиты от банковского мошенничества протестировали учёные МГУ
Исследователи факультета ВМК МГУ имени М.В. Ломоносова разработали новые подходы для повышения надежности систем машинного обучения, применяемых в борьбе с банковским мошенничеством.
Работа направлена на улучшение устойчивости моделей к так называемым «состязательным атакам» — случаям, когда злоумышленники подстраивают параметры транзакций, чтобы обмануть автоматические системы детекции.
Исследователи протестировали несколько популярных алгоритмов машинного обучения — от логистической регрессии до градиентного бустинга — на открытых наборах данных с реальными транзакциями. Первичные результаты показали высокую точность, однако при проведении атак эффективность моделей резко снижалась..
Чтобы решить эту проблему, ученые применили методы повышения робастности — устойчивости к внешним вмешательствам. Были протестированы фильтр Калмана, экспоненциальное сглаживание и метод главных компонент (PCA), а также состязательное обучение. В результате удалось существенно повысить надежность: метрики качества при атаке выросли.
Разработка может лечь в основу более защищенных антифрод-систем в банках и платежных сервисах.
IT News. Интернет и технологии
Новый уровень защиты от банковского мошенничества протестировали учёные МГУ
Исследователи факультета ВМК МГУ имени М.В. Ломоносова разработали новые подходы для повышения надежности систем машинного обучения, применяемых в борьбе с банковским мошенничеством.
Работа направлена на улучшение устойчивости моделей к так называемым «состязательным атакам» — случаям, когда злоумышленники подстраивают параметры транзакций, чтобы обмануть автоматические системы детекции.
Исследователи протестировали несколько популярных алгоритмов машинного обучения — от логистической регрессии до градиентного бустинга — на открытых наборах данных с реальными транзакциями. Первичные результаты показали высокую точность, однако при проведении атак эффективность моделей резко снижалась..
Чтобы решить эту проблему, ученые применили методы повышения робастности — устойчивости к внешним вмешательствам. Были протестированы фильтр Калмана, экспоненциальное сглаживание и метод главных компонент (PCA), а также состязательное обучение. В результате удалось существенно повысить надежность: метрики качества при атаке выросли.
Разработка может лечь в основу более защищенных антифрод-систем в банках и платежных сервисах.
Источник: CNews.ru
#IT_News #кибербезопасность #ИИ