Multivariate Bounded Support Kotz Mixture Model: Addressing Financial Fraud and Network Security Challenges
Notice bibliographique
Résumé
With the rise of online shopping in recent years, the number of security threats has increased significantly, posing serious risks to the internet and computer networks. Due to the rapid development of electronic commerce and the Internet of Things, the number of credit card transactions has also grown rapidly, leading to a corresponding increase in security threats. Therefore, an effective fraud detection method is essential, as it can promptly identify fraudulent activity when a stolen card used. Intrusion Detection System (IDS) also plays a crucial role in identifying various types of cyberattacks. However, developing adaptive and flexible IDSs remains a challenging task due to the continual emergence of new attack types and evasion techniques. In this paper, we extend our recently proposed Multivariate Bounded Kotz Mixture Model (BKMM) and the model selection approach based on Minimum Message Length (MML) to two key security domains: credit card fraud detection and network intrusion detection. These applications not only demonstrate the practicality of our methods, but also validate the robustness and versatility of the BKMM and MML framework across diverse types of cybersecurity data. In BKMM, parameter estimation is performed by maximizing the loglikelihood using the Expectation-Maximization (EM) algorithm. To evaluate performance, we apply the models in both credit card fraud and network intrusion detection scenarios. Experimental results demonstrate that BKMM and MML effectively identify fraudulent transactions and cyber intrusions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».