Над 10 милиона заглавия на английски и други езици! Открийте новата си история още днес! Безплатна доставка за поръчки над 69.99€

Проверка на състоянието на поръчката

Станете част от общност от любители на книгите от цял свят и получавате много предимства. Създай на безплатен акаунт

Безплатна доставка със Еконт над 69.99 €

Куриер Speedy 3.49 € Пункт на Speedy 3.49 € ЕКОНТ 3.99 € Еконтомат/Офис на Еконт 3.99 € Ekont Box 3.99 € Sameday 3.99 € Sameday box 3.99 € Box Now 3.99 €

Контакт

Как се пазарува?

Помощ

Моят акаунт

▸ Празна :-(

Réseaux neuronaux graphiques explicables pour la détection des fraudes

Name: Réseaux neuronaux graphiques explicables pour la détection des fraudes
Brand: KS OmniScriptum Publishing
SKU: 50459474
Price: 57.1 EUR
Availability: InStock
Author: Thaer Alkassab
ISBN: 9786209421679

Thaer Alkassab

Език

Френски език

Книга С меки корици

Код Либристо: 50459474

Издателство KS OmniScriptum Publishing, януари 2026

Cet ouvrage présente une étude complète sur l'intégration des réseaux neuronaux graphiques (GNN) ave... Цялото описание

Код Либристо: 50459474

139 b

57.10 €

111.69 лв

Външен склад Изпращаме след 8-11 дни

До 30 дни за връщане на стоки

Клиентите са закупили също

Mussoliniho žraloci Massimo Rota

С меки корици

16.24 € 31.76 лв

Lotus Empire TASHA SURI

С меки корици

11.51 € 22.51 лв

Profili problematici e prospettive nel processo penale canonico extragiudiziale Pierpaolo Dal Corso

С меки корици

36.25 € 70.90 лв

Morte all'italiana Julia Massucheti Tomasi

С меки корици

60.86 € 119.02 лв

Nato nel 1986. Italia 1986-2003. I miei primi 18 anni

С твърди корици

21.02 € 41.11 лв

Cet ouvrage présente une étude complète sur l'intégration des réseaux neuronaux graphiques (GNN) avec les méthodes d'intelligence artificielle explicable (XAI) pour la détection des fraudes financières. Il évalue plusieurs architectures GNN telles que GCN, GAT, GIN, GraphSAGE, HinSAGE et FraudGNN, ainsi que des modèles d'apprentissage machine traditionnels tels que les réseaux neuronaux et Random Forest. Des méthodes d'explication telles que GNNExplainer, GraphMask, SHAP et LIME sont appliquées pour assurer la transparence, l'interprétabilité et la confiance dans les tâches de détection des fraudes. Ce travail propose des comparaisons systématiques en termes de performance, de fidélité, de durée d'exécution et d'interprétabilité, étayées par des études de cas visuelles. Il met en évidence la manière dont la combinaison du raisonnement basé sur les graphes avec les techniques d'explicabilité peut améliorer les systèmes de détection des fraudes et répondre aux exigences émergentes d'une IA digne de confiance et responsable.