本次分享将主要介绍欺诈检测问题在学术界的研究现状，以及如何将图神经网络和强化学习应用到欺诈检测问题中。嘉宾是大佬窦英通。

支付宝2019ICDM论文，论文采用node-level + view-level的方式构造用户的embedding，最后以supervised loss+ unsupervised loss的方式构造损失函数，良好地利用了labeled和unlabeled的数据。

前言众所周知，机器学习分类模型常用评价指标有Accuracy, Precision, Recall和F1-score，而回归模型最常用指标有MAE和RMSE。但是我们真正了解这些评价指标的意义吗？ 在具体场景（如不均衡多分类）中到底应该以哪

原文地址：https://zhuanlan.zhihu.com/p/33173246 深度神经网络模型训练之难众所周知，其中一个重要的现象就是 Internal Covariate Shift. Batch Norm 大法自 2015

图信号处理（Graph Signal Process）实在是涉及太多概念了，需要好好梳理一下。

DatasetsDBLPWe uses the pre-processed DBLP dataset from Jhy1993/HAN You can run the FdGars, Player2Vec, GeniePath and GE

[TOC] 2. “三步走”方法读论文不是一蹴而就的，拿到一篇论文，直接一股脑读下去是不明智的！读论文应该分“三步走”~每一步都有自己的目标，都是建立在前一步的基础上的： 第一步：了解论文的idea是什么？ 第二步：理解论文的内容（但不是

Recurrent Neural Network(Ⅱ) 上一篇文章介绍了RNN的基本架构，像这么复杂的结构，我们该如何训练呢？ Learning TargetLoss Function依旧是Slot Filling的例子，我们需要把mod

Recurrent Neural Network(Ⅰ) RNN，或者说最常用的LSTM，一般用于记住之前的状态，以供后续神经网络的判断，它由input gate、forget gate、output gate和cell memory组成，每

文章转载自深度长文: 通过最两年的8篇论文全面分析和总结基于图神经网络GNN 欺诈检测 [TOC] 欺诈检测（风控）是一个近两年业界和学界颇受关注的话题，其应用方向包括金融欺诈检测，风险控制，网络水军识别，黑产灰产识别等。 本公众号之前

这节课主要是从频域的角度出发介绍GNN，带大家入门GNN。 首先讲解graph filters； 然后通过【graph filter+pointwise nonlinearity】的构造graph perceptron，多个graph