aLMGAN-信用卡欺诈检测方法

针对信用卡交易数据的不平衡重叠问题,提出一种基于生成对抗网络的端到端一类分类方法。提出一种基于PCA和T_SNE的混合数据降维方法,对清洗后的数据进行特征降维;将降维后的数据送入所提出的基于LSTM和aMLP的生成对抗网络(aLMGAN),提出一种基于闵可夫斯基距离(Minkowski distance)的损失函数(Min-loss)代替原始生成对抗网络中的交叉熵损失函数,对正常交易数据进行单类稳定训练,形成一种特殊特征模式,区分不属于该特征的异常数据。通过使用kaggle上两个真实的公共信用卡交易数据集进行实验,验证了aLMGAN算法的有效性。

基于注意力机制优化的WGAN-BiLSTM信用卡欺诈检测方法

信用卡欺诈是银行操作风险的主要来源之一,对信用卡诈骗交易进行准确的检测对于减少银行经济损失具有重要意义。针对信用卡欺诈检测中存在的数据类别不平衡和数据漂移的问题,提出一种基于注意力机制优化的WGAN-BiLSTM信用卡欺诈检测方法。首先引入Wasserstein距离改进生成对抗网络(GAN),将信用卡数据输入至WGAN(Wasserstein GAN)中,在生成器和判别器相互博弈训练下,得到符合目标分布的欺诈样本;然后,构建结合注意力机制的双向长短期记忆(BiLSTM)网络,在正反两个方向上提取信用卡数据的长时依赖关系;最后,通过Softmax层输出分类结果。在欧洲持卡人数据集上的实验结果表明,所提方法能有效提升信用卡欺诈检测效果。

基于集成学习的信用卡欺诈检测模型

旨在探讨和验证一种基于集成学习的信用卡欺诈检测模型,以提高识别欺诈交易的准确性。分析了信用卡欺诈的背景,回顾了现有的关键技术和方法,在此基础上,采用硬投票策略,将决策树、逻辑回归和朴素贝叶斯分类器三种不同的机器学习模型集成在一起,形成一个强大的集成模型。通过实验验证,该集成模型实现了高达99%的准确性,相较于单一模型至少提高了3.22%的准确性。这种显著的准确性提升归因于模型间的互补性和集成学习的稳健性。不仅为信用卡欺诈检测提供了一种高效的方法,也为其他金融欺诈检测问题提供了有价值的参考。

基于三阶段集成学习的信用卡欺诈检测研究

信用卡欺诈是银行业面临的严峻问题,全球每年因信用卡欺诈造成的损失高达数十亿美元。然而信用卡交易数据存在特征冗余和样本不平衡的问题,这无疑增加了模型对少数欺诈交易的检测难度。针对以上问题,本文提出了三阶段集成学习模型“FS-IFKK-Stacking”:基于FS方法的特征选择、基于IFKK方法的不平衡数据处理和基于Stacking方法的异构模型集成。该模型同时解决了由于特征冗余和样本不均衡性导致的过拟合问题,能够更加准确地检测信用卡欺诈交易。基于Kaggle欧洲信用卡交易数据的实验表明:本文提出的“FS-IFKK-Stacking”模型对信用卡欺诈的检测效果明显优于基于原始样本训练的单类模型:在AUC提升0.44%的同时,对欺诈交易的召回率提升了3.27%。

基于反馈监督式学习策略的信用卡欺诈检测方法

为了提高信用卡欺诈检测的实用性和可靠性,提出一种反馈监督式学习策略的检测方法.首先,通过反馈信息单独训练分类器,确保与这些监督样本的较高相关性.由于反馈和报警信息均会受到样本选择偏倚(SSB)的影响,因此,从反馈和延迟监督样本中分别训练不同的分类器,然后对其预测进行汇总.接着,通过大量信用卡交易对该学习策略进行了测试.实验结果表明,所提检测方法可以有效解决分类不平衡,概念漂移问题.相比其他优秀方法,策略成本较低,具有实践参考价值.

基于本质特征和网络特征的信用卡欺诈检测

由于信用卡欺诈检测是一种不合规则的预测任务,需要专门方法来处理并预测,提出一种基于本质特征和网络特征的检测方法,以满足自动化和实时处理的要求。提出的方法结合了两种重要特征,即利用新近度—频率—货币值(RFM)的基本原理,由外来交易和顾客消费历史派生出本质特征;采用信用卡持有人和商家的网络为每个网络对象派生出依赖猜测分数的网络特征。然后将这些特征提供给成熟的学习方法。本文评估了逻辑回归、神经网络和随机森林模型。结果表明本质特征和网络特征的结合产生了最佳执行结果,获得的ROC曲线下面积(AUC)高于0.98。且提出的方法还能够精确地从一系列欺诈交易中挑选出第一笔交易。

基于特征工程的信用卡欺诈检测策略研究

针对传统的欺诈检测工具难以检测信用卡欺诈模式的问题,提出一种基于特征工程的信用卡欺诈检测策略。首先,该策略扩展了交易聚合策略,在对交易进行分组时通过纳入一个结合标准,将持卡人或交易类型与国家或商户群体等信息相结合;然后,对交易的周期性行为进行分析,使用冯米塞斯分布(循环正态分布)创建一组新的特征集合;最后,使用一个大型真实的信用卡欺诈数据集,比较已有的信用卡欺诈检测模型,并评估不同特征集合对结果造成的影响。结果表明该策略较已有模型的成本大概节约13%。

基于VAE-GAN算法的信用卡欺诈检测模型

信用卡欺诈检测数据集是典型的离群点分布极度不平衡的高维数据集,信用卡交易中被盗刷的交易占比非常小,但每一笔被盗刷的交易都影响重大。针对传统离群点检测算法难以学习到极度不平衡的高维数据集中离群点的分布模式,导致检测率低的问题,本文应用一种基于变分自编码器(Variational Auto-Encoder,VAE)和生成对抗网络(Generative Adversarial Network,GAN)相结合的VAE-GAN算法进行无监督学习,算法首先将数据集输入VAE型生成器中进行训练,生成大量潜在的离群点,然后令判别器学习正常点与离群点的分类边界,最后将测试数据输入训练后的模型中,将离群值高的测试数据判定为离群点。在信用卡欺诈检测数据集上与现有的无监督学习所得结果相比,VAE-GAN在尽可能更多地检测出离群值的同时,尽量减少误判,AUC达到0.9581,Recall达到0.9118,ACC为0.9468,优于目前的最优模型,证明VAE-GAN算法在信用卡欺诈检测中的优越性。

一种混合的信用卡欺诈检测模型

信用卡欺诈检测是一个重要的问题,为了提升对于真实世界的信用卡欺诈数据的识别率,提出了一种混合的信用卡欺诈检测模型AWFD(Anomaly weight of credit card fraud detection),首先通过异常检测的方法将数据划分为可信和异常数据,然后利用半监督的方法训练一个集成模型,最终再利用异常检测进一步剔除检测结果中的异常结果。AWFD在保障对于可信数据的学习效果上,通过半监督集成学习的方法,利用异常数据进一步扩充集成模型的多样性,并将异常检测和集成模型融合。实验结果表明,比起一些传统的机器学习方法,AWFD可以提高整体的信用卡欺诈检测的识别率。

基于kNN-Smote-LSTM的消费金融风险检测模型——以信用卡欺诈检测为例

由于移动网络应用与电子支付业务量不断增长,信用卡欺诈的情况也呈现快速增长的趋势,由此给金融机构和运营商带来了巨大的挑战.欺诈检测问题本质上是不平衡的序列二分类问题,这类问题数据样本规模大,计算复杂度高,数据分布极不平衡,数据与数据之间会存在序列关系.文章使用长短期记忆网络(long short term memory networks,LSTM)结合历史交易序列,并针对交易数据不平衡的特性,整合了合成少数类过采样技术(synthetic minority oversampling technique,Smote)算法和k最近邻(k-nearest neighbor,kNN)分类算法设计并构建了一个基于kNN-Smote-LSTM的信用卡欺诈检测网络模型,它可以通过kNN判别分类器来不断筛选出安全生成样本来提升模型的性能,克服了Smote算法在生成新样本时的盲目性和局限性,实证表明通过kNN-Smote-LSTM模型结构化的融合可以大大改善模型组合时对多数类的误分类问题,展现了优越的风险检测性能.