machine-learning - 具有不平衡权重的人工神经网络

Question

我一直在阅读 ANN 的概念，并将其应用到我的项目(信用卡欺诈检测)中。给定网络的一组输入，例如:

• A1 - 输入 PIN 码的时间
• A2 - 提取金额
• A3 - ATM 位置
• A4 - 全局行为(时间和日期以及执行交易的顺序)

这些输入偏离“规范”的程度越大，该输入对网络的权重就越大。我的问题是，神经网络如何处理一个输入的权重(例如 A1)较高而所有其他权重较低的情况？

Answer 1

输入概率密度函数组合起来形成多维概率分布(通常是多个维度的椭球体)。输入的组合是一个向量，N 空间中该点的概率值告诉您它是真的还是假的可能性有多大。这沿着每个轴起作用，其中除了一个输入之外的所有输入都为零，并且所有变量都具有重要值。如果所有输入都具有平滑的高斯概率分布，则生成的概率分布是超椭球体，并且您实际上不需要神经网络。

当一个或多个变量具有复杂的概率密度，或者组合变量在概率密度中产生意想不到的特征(孔洞和凹凸)时，使用神经网络会变得经济。然后，通过大量真实输入组合和已知结果对神经网络进行训练，告诉它输入空间的哪些区域是有趣的，哪些区域是平凡的。同样，如果你有足够的内存，你可以自己将它们映射到一个高分辨率的大 N 维数组中，但是这样做有什么乐趣呢？神经网络还将在区域之间进行平滑插值，这可能使其决策比实际概率空间更加模糊(即，准确度指标降至 100% 以下)。