欺诈是蜂窝网络市场中的一个大问题,而机器学习可能会是解决这个问题的一个全新方案。通信欺诈控制协会(CFCA)的2015年全球欺诈损失调查(2015 Global Fraud Loss Survey)显示,对蜂窝网络的欺诈性使用让整个行业一年的损失大概是380亿美元。
CFCA表示,欺诈者使用包括PBX黑客、订阅欺诈、经销商欺诈、服务滥用和账户接管等方法盗窃服务供应商。
卡内基.梅隆大学的电子及计算机工程系副研究教授及智能和高性能系统实验室主任Ole J. Mengshoel表示,目前业内的欺诈监测方法依赖于预先设置量和频率阀值的静态规则。
Mengshoel撰写了一篇关于该主题的研究论文,他在论文中写道,“这意味着他们只能监测符合已知特征的欺诈类型。”他表示,“欺诈专家不断努力工作以发现新的欺诈类型,但是现代网络攻击发展的速度远比分析人员编写监测欺诈规则的速度要快。”
自适应人工智能(AI)和机器学习能够帮助弥补这些弱点,并减少蜂窝服务市场中的欺诈行为。
Mengshoel表示,“Facebook、谷歌和LinkedIn之类的创新者率先使用大数据和机器学习等方法来保护他们的订阅用户,并获得洞察力。” Mengshoel表示,“新的机器学习方法建立在这样一种看法之上:只有使用大规模采用机器学习才能够实时监测出异常状况。”
Mengshoel表示,监管和非监管机器学习的结合让分析大量数据并向欺诈分析人员发出警报的时间缩短到了几秒之内。市场上已有的产品结合了大数据的深度包检测、监管和非监管机器学习以实时完成针对欺诈、异常流量和其他网络行为网络分析。
Mengshoel表示,“它们实时的测试将成就那些能够完成数据平面以及语音网络的网络分析的供应商。流量越来越多,因此也有越来越多的欺诈发生在数据平面上。”
卡内基.梅隆大学和Argyle Data(一家为移动供应商提供大数据/机器学习分析技术的供应商)的研究报告介绍了如何利用实时异常监测实现近乎实时的欺诈识别。
这份报告展示了当前的解决方案在解决数据平面上的问题是如何无能为力,以及为什么获得数据使用特征的可见性在未来将是至关重要的。因为大量的数据流经电信网络,大数据分析的能力以及使用高级机器学习分析这些数据的能力至关重要。
在他们的研究中,Mengshoel和合著者David Staub——Argyle Data的一位数据科学家——验证了一种监管和非监管的基于机器学习的方法,这种方法能够自动学习如何根据使用数据区分正常和异常呼叫模式。
欺诈解决方案不会很快就出现。正如论文中所指出的那样,对蜂窝网络的欺诈或不可接受的使用对网络用户和运营商来说,都是越来越严重的威胁,而且欺诈方式还在不断地发展变化。在这种环境下,该报告指出,需要一种复杂的、自适应的方法来识别犯罪活动。
好文章,需要你的鼓励
在迪拜Gitex 2025大会上,阿联酋成为全球AI领导者的雄心备受关注。微软正帮助该地区组织从AI实验阶段转向实际应用,通过三重方法提供AI助手、协同AI代理和AI战略顾问。微软已在阿联酋大举投资数据中心,去年培训了10万名政府员工,计划到2027年培训100万学习者。阿联酋任命了全球首位AI部长,各部门都配备了首席AI官。微软与政府机构和企业合作,在公民服务和金融流程等领域实现AI的实际应用,构建全面的AI生态系统。
浙江大学等高校研究团队开发的VolSplat系统,通过"体素对齐"替代传统"像素对齐"方法,实现了快速高质量的3D场景重建。该技术仅需6张普通照片即可生成精确3D模型,在RealEstate10K等标准数据集上显著超越现有方法,为机器人导航、增强现实、建筑设计等领域提供了新的技术选择,代表了3D重建领域从二维思维向三维思维的重要转变。
苹果与俄亥俄州立大学研究人员发布名为FS-DFM的新模型,采用少步离散流匹配技术,仅需8轮快速优化即可生成完整长文本,效果媲美需要上千步骤的扩散模型。该模型通过三步训练法:处理不同优化预算、使用教师模型指导、调整迭代机制来实现突破。测试显示,参数量仅1.7亿至17亿的FS-DFM变体在困惑度和熵值指标上均优于70-80亿参数的大型扩散模型。
武汉大学团队与字节跳动公司合作,提出MAPO混合优势策略优化方法,解决AI训练中的"一刀切"问题。该方法能根据问题难度动态调整评分策略,避免传统方法中的优势反转和优势镜像问题。通过轨迹确定性判断和权重动态调整,在几何推理和情感识别任务上都取得显著提升,为AI自适应学习提供新思路。