مقاله « Fraud Detection: How Machine Learning Systems Help Reveal Scams in Fintech, Healthcare, and eCommerce» که در 22 دسامبر 2017 منتشر شده به نقش یادگیری ماشین در کشف تقلب در صنایع فین‌تک، مراقبت سلامت، بیمه و تجارت الکترونیک می‌پردازد.
گزارش جهانی هویت و تقلب شرکت اکسپریان در سال 2022 به بررسی نگرانی‌های فزاینده درباره تقلب در عصر دیجیتال و اهمیت ایجاد اعتماد نزد مصرف‌کنندگان می‌پردازد.
مقاله «Deep learning for fraud detection in retail transactions» که 11 نوامبر 2020 در وب‌سایت مدیوم منتشر شده، نگاهی به چالش‌های تشخیص تقلب و راه‌حل‌های مبتنی‌بر یادگیری عمیق برای تشخیص تقلب در تراکنش‌های خرد دارد.
مقاله «Credit Card Fraud - Detection and Prevention» انواع تقلب در حوزه کارت اعتباری را بررسی و راه‌هایی را برای شناسایی و مقابله با آنها معرفی می‌کند.
مقاله «Anomaly Detection in Finance: Editors’ Introduction» اهمیت تشخیص ناهنجاری در صنعت خدمات مالی را برجسته می‌سازد و درباره چالش‌ها و راه‌حل‌های نوظهور مثل یادگیری نیمه نظارتی، یادگیری عمیق و رویکردهای مبتنی‌بر شبکه/ گراف بحث می‌کند. این مقاله مقدمه‌ای بر مجموعه پژوهش‌های یادگیری ماشین با تمرکز بر ورکشاپ KDD سال 2017 درباره تشخیص ناهنجاری در امور مالی است.
مقاله «A Comparative Evaluation of Unsupervised Anomaly Detection Algorithms for Multivariate Data» نوشته مارکوس گلدشتاین و سیچی اوچیدا است. این مطالعه می‌خواهد به مسئله کمبود مطالعات مقایسه‌ای و مجموعه داده‌های دردسترس عموم درزمینه تشخیص ناهنجاری بدون نظارت رسیدگی کند.
مقاله «Credit Card Fraud Detection Techniques» به مسئله تقلب در حوزه کارت پرداخت می‌پردازد و روش‌های مختلف شناسایی تراکنش‌های متقلبانه در این حوزه را بررسی می‌کند. مطالعه‌ای در سال 2013 نشان می‌دهد که 40 درصد همه تقلب‌های مالی به کارت‌های پرداخت مربوط می‌شوند و درمجموع هزینه‌ای 5.55 میلیارد دلاری برای اقتصاد جهان دارند.
