01
异常交易检测概述
什么是异常交易 · 业务场景与挑战 · 核心目标与评价指标
基础认知
02
数据采集与预处理
日志埋点规范 · 数据清洗与缺失值处理 · 时间窗口与滑动窗口
数据工程
03
特征工程基础
基础统计特征 · 时间序列特征 · 业务衍生特征
特征统计
04
规则引擎实战
硬规则与软规则 · 优先级与冲突处理 · 规则热更新
规则工程
05
孤立森林算法
算法原理与场景 · 参数调优 · Python实现与可视化
孤立森林无监督
06
LOF算法实战
局部离群因子原理 · 邻域参数选择 · 高维局限性
密度离群
07
One‑Class SVM
支持向量机异常检测 · 核函数选择 · 模型解释性
SVM边界
08
AutoEncoder异常检测
自编码器原理 · 重构误差 · 训练技巧与过拟合防范
深度学习重构
09
LSTM时序异常检测
循环神经网络 · 序列预测与残差 · 多步预测策略
时序LSTM
10
图神经网络异常检测
图结构构建 · 节点/边异常 · GCN/GAT实战
图网络GNN
11
集成学习方法
Stacking与Blending · 基学习器选择 · 模型融合技巧
集成融合
12
半监督异常检测
PU学习理论 · 正样本与未标记 · 置信度估计
半监督PU
13
在线学习与流式检测
数据流概念 · 模型增量更新 · 概念漂移检测
流式在线
14
实时检测系统架构
Kafka+Flink+Redis · 延迟与吞吐量 · 状态管理
架构实时
15
特征存储与特征平台
特征仓库设计 · 在线/离线一致性 · 特征回溯
特征平台存储
16
模型部署与推理优化
ONNX转换 · TensorRT加速 · A/B测试框架
部署推理
17
模型监控与告警
数据漂移检测 · 性能衰减 · 自动回滚机制
监控MLOps
18
可解释性分析
SHAP值 · LIME局部解释 · 特征重要性排序
可解释XAI
19
样本不平衡处理
过采样(SMOTE) · 欠采样 · 代价敏感学习
不平衡采样
20
多模态异常检测
文本·图像·数值融合 · 跨模态对齐 · 注意力机制
多模态融合
21
联邦学习与隐私保护
纵向联邦 · 安全聚合 · 差分隐私
联邦隐私
22
强化学习在风控中的应用
马尔可夫决策过程 · 策略梯度 · 探索与利用
强化学习风控
23
因果推断与反事实检测
因果图构建 · 干预效果估计 · 反事实推理
因果反事实
24
图计算与社群发现
连通分量 · 社区检测 · 团伙欺诈识别
图计算社群
25
时间序列分解与季节调整
STL分解 · 节假日效应 · 周期性模式
时序季节
26
对抗样本与鲁棒性
FGSM攻击 · 对抗训练 · 防御蒸馏
对抗鲁棒
27
成本敏感异常检测
误报漏报成本矩阵 · 阈值优化 · 业务约束
成本业务
28
大规模数据处理
Spark分布式计算 · 特征并行 · 模型并行
大数据Spark
29
A/B实验设计
分流策略 · 统计显著性检验 · 多臂老虎机
实验AB
30
案例实战
金融交易反欺诈 · 电商刷单检测 · IoT异常监测
实战综合