再中稿蚂蚁安全天筭实验室与中科院联合论 [复制链接]

人工智能领域的国际顶级学术会议AAAI于近期公布了年会议的审稿结果，蚂蚁安全天筭实验室安全专家、安全机器智能团队成员宋博文（花名千轻）与中科院计算所庄福振副研究员团队的联合研究论文《ModelingtheFieldValueVariationsandFieldInteractionsSimultaneouslyforFraudDetection》成功被AAAI-21以长文形式收录。

AAAI（theAssociationfortheAdvanceofArtificialIntelligent）是美国人工智能协会，其组织的年度会议（TheNationalConferenceonArtificialIntelligence）是专注于人工智能领域的顶级学术会议。AAAI-21将于年2月2日—9日以虚拟会议的形式在线举行。据官方公布，AAAI-21共收到篇投稿，其中接受篇，录取率仅为21%，录取难度高。

此次蚂蚁安全天筭实验室与中科院计算所合作开展的课题目标是通过建设行为序列深度学习模型来解决交易风险评估的问题。本次研究提出的DIFM（DualImportance-awareFactorizationMachines）模型是基于蚂蚁安全天筭实验室于SIGIR20提出的NHFM（NeuralHierarchicalFactorizationMachines）建模框架的优化迭代版本。

基于行为时序信息的深度学习模型在风控场景中的应用变得越来越广泛，NHFM便是通过对用户过去一段时间内先后行为（如注册、登录、支付等）的刻画，搭建层次FM模型来解决风险建模问题。行为时序的构建有三个要素：时间戳、串联维度以及行为。传统的建模方案大多基于单一的串联维度构建时序信息：如构建某用户A在过去一段时间内的操作时序信息的时候，用户A便是这里的串联维度。随着风险对抗的加强，单一维度的时序刻画在风险识别覆盖上已经遇到了一定的瓶颈。

在本篇论文中，蚂蚁安全实验室联合中科院计算所创新性地提出了双维度时序建模框架DIFM，通过增加行为内属性时序信息刻画模块来提升模型的识别性能。如上面的例子中，DIFM模型不仅考虑用户A的操作时序，还同时会考虑用户A在不同操作中的环境变化，如WiFi、IP是否发生变化等。在卡支付风险交易的识别能力上，DIFM相较传统方案有4%-6%的提升。同时，由于attention机制的引入，DIFM可以同时输出同风险强关联的维度属性，在模型可解释性上也有很大提升。

中科院计算技术研究所副研究员庄福振表示：“相较于仅使用单维度行为时序的传统交易风险评估方案，本次与蚂蚁的联合研究创新性地提出了双维度时序建模框架，增加了对属性状态变化的捕捉模块，来刻画行为风险模式，并在真实数据集取得了很好的效果。相信在这一技术上的创新将进一步加强支付宝安全风控能力，更好地保障用户的资金安全，也对提升行业整体的风控水平起到重要作用。”

蚂蚁安全天筭实验室安全专家宋博文表示，本篇中稿论文所探讨的双维度时序建模框架是蚂蚁安全天筭实验室在深度学习板块时序信息预测的最新能力产出。该框架已逐步在国际场景中应用和落地，为阿里巴巴东南亚电商业务带去了实实在在的风控成果，促进消费者的体验升级。

蚂蚁安全天筭实验室

蚂蚁安全天筭实验室隶属于蚂蚁安全九大实验室之一，围绕智能风控和反欺诈技术，探索安全领域的机器学习等前沿问题，致力于打造全球领先的智能风控体系。蚂蚁安全天筭实验室也是守护支付宝“你敢付我敢赔”承诺的中坚力量。