度小满在大数据风控上积累了较多经验，特别是许多新的 AI 技术与风控结合，能够较大的提升风控效果。本演讲将介绍度小满在相关领域的一些经验，主要包括风控模型体系以及在整个业务流程中各个环节模型中的作用，包括贷前贷中贷后额度利率等等。其次会介绍互联网金融风控实践中碰到的一些困难和挑战，并给出相应的我们在实践中总结的一些解决方案。最后随着新的二代征信已经广泛应用，也将介绍新的征信读解和新的挖掘方法。

内容大纲

1. 度小满风控体系简介

2. 大数据风控的挑战

• 模型稳定性与效果
• 数据孤岛问题
• 高维稀疏特征问题
• 工程效率

3. 二代征信的洞察和挖掘

•  二代征信洞察
•  NLP 技术的应用

听众收益

• 了解信贷整个流程中各模型的作用；
• 了解大数据风控的困难和挑战；
• 了解二代征信和新的挖掘方法。

适合人群

• 熟悉评分卡等金融风控建模相关技术
• 熟悉信贷风控整个业务流程

随着互联网经济的快速发展，网络欺诈也日益猖獗。风控策略作为反欺诈的主要屏障，可快速止损且部署方便，但在主动发现新欺诈方式上显得力不从心。人工智能时代，如何利用智能技术主动发现新的欺诈手段，提升识别效率，成为亟需解决的问题。京东数科打造以 AI 为引擎的自动对抗机器学习平台，采用小样本学习、自监督学习等前沿算法，主动发现新的欺诈方式，并通过特征自动衍生、规则学习快速归纳黑产作案手法，实时生成推荐规则策略，可实现一键点击上线拦截。自动对抗改变了原来的被动防御欺诈的模式，将被动防御转变为了主动出击。

内容大纲

1. 反欺诈现状

• 常见黑产攻击手段
• 传统反欺诈方法
• 人工智能在反欺诈领域的应用

2. 京东数科智能反欺诈体系

• 风险洞察
• 风险判别
• 自动演进

3. 图神经网络在反欺诈中的应用

• 图神经网络原理
• 欺诈团伙挖掘
• 作弊手法归纳及规则推荐

4. 规划与展望

听众受益

1. 了解人工智能前沿技术在反欺诈领域的应用；
2. 提供通过无监督学习主动对抗风险的新思路。

前沿亮点

不需要人工标注样本，通过自监督图神经网络主动挖掘欺诈团伙。面对深度学习的黑盒问题，通过规则学习将模型结果生成可解释规则。

知识储备

了解基本图算法，了解常见异常检测的原理。

Graphs and hypergraphs are prevalent in many real world applications arising from online social and financial platforms, recommendation systems and knowledge bases. How to represent such graph data to capture their similarities or differences between nodes and graphs? How to integrate graph data with other sources of data in representation learning? How to combine deep learning with symbolic reasoning? How to better design algorithms over graphs?  

I will present a graph neural network framework for addressing these challenges based on the idea of embedding message passing algorithms into function spaces, and learning these algorithms from data. In large scale applications involving molecule design, recommendation system and knowledge reasoning, this graph neural network framework consistently achieves the-state-of-the-art results, in terms of accuracy, model size and scalability. Graph Neural Networks also appear to be a very good tool to advance AI to the next stage, which can combine deep learning with symbolic reasoning.  

参考翻译：

《用于表示学习和符号推理的图神经网络》

图形和超图在许多现实世界的应用中非常流行，这些应用源于在线社交和金融平台、推荐系统和知识库。如何表示这样的图形数据以捕捉节点和图形之间的相似性或差异？在表示学习中如何将图形数据与其他数据源集成？如何将深度学习与符号推理结合起来？如何在图上更好地设计算法？

基于将消息传递算法嵌入到函数空间并从数据中学习这些算法的思想，我将提出一个图神经网络框架来解决这些挑战。在涉及分子设计、推荐系统和知识推理的大规模应用中，该图神经网络框架在精确性、模型规模和可扩展性方面始终达到了最新的水平。图神经网络似乎也是将人工智能推进到下一阶段的一个很好的工具，它可以将深度学习与符号推理结合起来。