Adversarial Attacks on FinTech AI Models: Threats and Mitigation Techniques
Notice bibliographique
Résumé
The fast acceptance of Artificial Intelligence technology by Financial Technology operations produced major changes in fraud prevention systems while simultaneously advancing credit evaluation practices and automated trading methods and customer service operations. FinTech systems became more susceptible to adversarial attacks because the recent technological advancement has introduced malicious input designs for deceiving AI models and altering their results. These malicious assaults cause severe damages to financial security while violating both privacy standards and the public belief in AI as a service provider. The research investigates future trends of adversarial attacks aimed at FinTech AI models by examining attack classifications which involve evasion and poisoning and inference attacks together with the specific vulnerabilities found in financial sector machine learning algorithms. Empirical evidence and real-world case studies demonstrate how harmful modifications in fraud detection methods and trading algorithms as well as credit rating assessment techniques become possible via malicious manipulations. An evaluation of contemporary defence approaches including adversarial training, robust optimization, input preprocessing and model uncertainty measures takes place in the paper. This paper evaluates how explainable AI (XAI) together with regulatory frameworks strengthens both transparency and resilience of systems. The research advances understandings about safeguarding financial services AI while delivering practical steps that FinTech practitioners and policy officials and academic researchers need to create reliable trustable AI environments in FinTech.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».