Credit Card Fraud Detection Using Autoencoder Neural Network
University of Western Ontario（西安大略大学）
不平衡数据分类问题一直是机器学习研究领域的热门话题。为了平衡多数和少数群体之间的样本。过采样算法用于合成新的少数类样本，但会带来噪声。针对噪声问题，提出了一种去噪自编码神经网络（DAE）算法，该算法不仅可以通过误分类代价对少数类样本进行过采样，而且可以对采样数据集进行去噪和分类。实验结果表明，与带过采样过程的去噪自动编码神经网络（DAE）和传统的全连接神经网络相比，该算法提高了不平衡数据集少数类的分类精度。
2019-08-30 cs.LG stat.ML
Dataset shift quantification for credit card fraud detection
LIRIS UMR5205（LIRIS UMR5205（图像信息与信息系统实验室））；Universitat Passau（帕绍大学）；Worldline Lyon（Worldline里昂公司）
机器学习和数据采掘技术已被广泛用于检测信用卡欺诈。然而，购买行为和欺诈者的策略可能会随着时间的推移而改变。这种现象在欺诈检测领域被称为数据集移位或概念漂移。在本文中，我们提出了一种方法来量化我们的面对面的信用卡交易数据集（持卡人位于商店）的数据集每天的变化。在实践中，我们将这些天相互分类，并测量分类的效率。分类越有效，两天之间的购买行为就越不同，反之亦然。因此，我们获得了表征数据集移位的距离矩阵。在距离矩阵的凝聚聚类之后，我们观察到数据集的移动模式与该时间段的日历事件（假期，周末等）相匹配。然后，我们将此数据集转移的知识，在信用卡欺诈检测任务作为一个新的功能。这导致检测的小改进。
2019-06-17 cs.AI cs.LG stat.ML
Credit card fraud detection using machine learning: A survey
INSA Lyon（里昂国立应用科学学院）；University of Passau（帕绍大学）
信用卡欺诈已成为电子支付领域的主要问题。在这项调查中，我们研究了数据驱动的信用卡欺诈检测的特殊性和几种机器学习方法，以解决其每一个复杂的挑战，目标是识别代表合法卡所有者非法发行的欺诈交易。特别是，我们首先描述了一个典型的信用卡检测任务：数据集及其属性，度量选择以及处理此类不平衡数据集的一些方法。这些问题是每个信用卡欺诈检测问题的切入点。然后，我们关注数据集转移（有时称为概念漂移），这是指生成数据集的底层分布随着时间的推移而演变的事实：例如，持卡人可能会随着季节的变化而改变他们的购买习惯，欺诈者可能会调整他们的策略。这种现象可能会阻碍将机器学习方法用于现实世界的数据集，例如信用卡交易数据集。之后，我们强调了不同的方法，以捕捉信用卡交易的顺序属性。这些方法从特征工程技术（例如事务聚合）到适当的序列建模方法，例如递归神经网络（LSTM）或图形模型（隐马尔可夫模型）。
2020-10-13 cs.LG
Credit Card Fraud Detection in e-Commerce: An Outlier Detection Approach
eBay Inc（eBay公司）
通常，与欺诈和垃圾邮件检测等任务相关的挑战是缺乏训练合适的监督学习模型所需的所有可能模式。当欺诈模式不仅稀少，而且随着时间的推移而变化时，这一问题就更加突出。欺诈模式的变化是因为欺诈者不断创新新方法来规避为防止欺诈而采取的措施。有限的数据和不断变化的模式使学习变得非常困难。我们假设良好行为不随时间变化，并且代表良好行为的数据点在不同分组下具有一致的空间特征。基于这一假设，我们提出了一种方法，通过使用聚类方法的集成为每个数据点分配一个一致性得分来检测大数据集中的离群值。我们的主要贡献是提出了一种新的方法，可以检测大型数据集中的离群值，并对不断变化的模式具有鲁棒性。我们还认为，ROC曲线下面积，虽然一个常用的指标来评估离群值检测方法是不是正确的度量。由于异常值检测问题具有类别的偏斜分布，因此精确度-召回率曲线更适合，因为精确度将假阳性与真阳性（异常值）而不是真阴性（内值）进行比较，因此不受类别不平衡问题的影响。我们的经验表明，精确度-召回率曲线下的面积是一个比ROC更好的评估指标。所提出的方法进行了测试的修改版本的Landsat卫星数据集，修改版本的ann甲状腺数据集和一个大型的现实世界的信用卡欺诈检测数据集，通过Kaggle，我们表现出显着的改善基线方法。
2019-05-07 cs.LG stat.ML
Semi-Supervised Bayesian GANs with Log-Signatures for Uncertainty-Aware Credit Card Fraud Detection
本文提出了一种新型深度生成半监督框架，用于信用卡欺诈检测，通过条件GANs进行数据增强，结合贝叶斯推断获取预测分布并量化不确定性，利用对数签名进行交易历史的稳健特征编码，引入基于Wasserstein距离的损失函数以对齐生成和真实样本，提升分类准确性。
2026-05-12 cs.LG stat.ML
Credit Card Fraud Detection: A Deep Learning Approach
ABV-Indian Institute of Information Technology and Management（ABV印度信息技术与管理学院）
本文提出利用深度学习算法（包括自动编码器）构建信用卡欺诈检测系统，以应对概念漂移、类别不平衡和验证延迟挑战，实现高欺诈覆盖率与低误报率。
2024-09-20 cs.LG
A novel approach to increase scalability while training machine learning algorithms using Bfloat 16 in credit card fraud detection
随着数字银行业务成为常态，信用卡的使用已变得相当普遍。随着这种增长，信用卡欺诈也给银行和客户带来了巨大的问题和损失。正常的欺诈检测系统不能检测到欺诈，因为欺诈者出现了新的欺诈技术。这就需要使用基于机器学习的软件来检测欺诈行为。目前，可用的机器学习软件只关注检测欺诈的准确性，而不关注检测的成本或时间因素。本研究的重点是银行信用卡欺诈检测系统的机器学习可扩展性。我们比较了现有的机器学习算法和方法，可与新提出的技术。我们的目标是证明使用更少的比特来训练机器学习算法将导致一个更具可扩展性的系统，这将减少时间，也将降低实现成本。
2022-06-24 cs.AI cs.LG
Credit Card Fraud Detection with Subspace Learning-based One-Class Classification
Tampere University（坦佩雷大学）
针对信用卡交易数据高维且类别极不平衡的问题，本文提出将子空间学习融入单类分类（OCC），在优化的低维子空间中实现自动欺诈检测。
2023-09-26 cs.LG
A Combination of Deep Neural Networks and K-Nearest Neighbors for Credit Card Fraud Detection
Kapital Bank OJC（卡皮塔尔银行开放股份公司）；GI Academy（GI学院）
检测信用卡上的欺诈交易成为金融机构、组织和公司的主要问题之一。由于全球金融体系与非现金交易和在线操作高度相关，欺诈者发明了更有效的方法来访问客户的财务状况。信用卡欺诈检测的主要问题是欺诈交易的数量明显低于真实交易。本文的目的是实现新的技术，其中包括欠采样算法，K-最近邻算法（KNN）和深度神经网络（KNN）在新获得的数据集。性能评估表明，DNN模型给出了精确的高准确率（98.12%），这表明该方法具有良好的检测欺诈交易的能力。
2022-05-27 cs.AI cs.LG
Deep Learning Methods for Credit Card Fraud Detection
School of Information Technology, Deakin University（迪肯大学信息技术学院）；School of Computer Science, The University of Adelaide（阿德莱德大学计算机科学学院）
信用卡诈骗案日益猖獗，已成为金融业的一大问题。由于这些欺诈行为，信用卡用户在购买时犹豫不决，商家和金融机构都承担了重大损失。信用卡欺诈的一些主要挑战涉及公共数据的可用性、数据的高度不平衡、欺诈性质的变化以及大量的假警报。机器学习技术已被用于检测信用卡欺诈，但迄今为止还没有欺诈检测系统能够提供很高的效率。深度学习的最新发展已被应用于解决各个领域的复杂问题。本文对信用卡欺诈检测问题的深度学习方法进行了深入研究，并在三个不同的金融数据集上将其性能与各种机器学习算法进行了比较。实验结果表明，所提出的深度学习方法与传统的机器学习模型相比具有很好的性能，并表明所提出的方法可以有效地应用于现实世界的信用卡欺诈检测系统。
2020-12-07 cs.AI cs.CR cs.LG
A Survey of Credit Card Fraud Detection Techniques: Data and Technique Oriented Perspective
University of Guilan（吉兰大学）；Amirkabir University of Technology（阿米尔卡比尔理工大学）；University of Isfahan（伊斯法罕大学）
信用卡在当今经济中起着非常重要的作用。它成为家庭、商业和全球活动中不可避免的一部分。虽然使用信用卡提供了巨大的好处时，小心和负责任地使用，重大的信用和财务损失可能会造成欺诈活动。已经提出了许多技术来应对信用卡欺诈的增长。然而，所有这些技术都有相同的目标，避免信用卡欺诈;每一个都有自己的缺点，优点和特点。本文在分析信用卡欺诈检测难点的基础上，综述了信用卡欺诈检测技术、数据集和评价标准的研究现状，列举和比较了各种欺诈检测方法的优缺点，并将其分为误用检测（监督检测）和异常检测（非监督检测）两大类。再次，分类的技术提出的基础上处理的数值和分类数据集的能力。本文首先介绍了信用卡欺诈检测领域的研究现状，然后对文献中使用的不同数据集进行了描述，将其分为真实数据集和综合数据集，提取了有效的和共同的属性供进一步使用，并收集和讨论了文献中使用的评价标准，从而解释了信用卡欺诈检测的开放性问题，为新的研究人员提供了指导。
2016-11-19 cs.AI cs.CR cs.LG
Ensemble and Mixed Learning Techniques for Credit Card Fraud Detection
Universidade Federal do ABC（ABC联邦大学）
虚假信用卡交易是造成金融损失的重要原因，因此迫切需要开发准确的欺诈检测算法。在本文中，我们使用机器学习策略来实现这样的目标。首先，我们应用一种混合学习技术，在训练分类之前使用K-means预处理来解决手头的问题。接下来，我们介绍了一种自适应检测器集成技术，使用或逻辑算法聚合，以提高检测率。然后，这两种策略在使用真实世界交易数据的数值模拟中串联部署。我们从仿真结果中观察到，所提出的方法减少了计算成本，并提高了性能的最先进的技术。
2021-12-05 cs.LG
Evaluating categorical encoding methods on a real credit card fraud detection database
Lusis（Lusis公司）
在监督学习环境中正确处理分类数据仍然是一个主要问题。此外，尽管一些机器学习方法包含处理分类特征的内置方法，但尚不清楚它们是否带来了一些改进，以及它们与通常的分类编码方法相比如何。在本文中，我们描述了几个著名的分类编码方法，是基于目标统计和证据权重。我们将它们应用于一个大型的真实的信用卡欺诈检测数据库。然后，我们使用最先进的梯度提升方法对编码数据库进行训练，并评估其性能。我们表明，分类编码方法通常带来实质性的改善，相对于没有编码。这项工作的贡献是双重的：（1）我们比较了许多国家的最先进的“建兴”分类编码方法的大规模数据库和（2）我们使用一个真正的信用卡欺诈检测数据库。
2021-12-22 cs.LG
Credit Card Fraud Detection in the Nigerian Financial Sector: A Comparison of Unsupervised TensorFlow-Based Anomaly Detection Techniques, Autoencoders and PCA Algorithm
Enugu State University of Science and Technology（埃努古州立科技大学）
针对尼日利亚金融业信用卡欺诈问题，对比基于TensorFlow的无监督自编码器与PCA算法的欺诈检测效果，验证自编码器降维性能更优，更适配复杂交易数据且错标率更低。
2024-03-08 cs.LG
A Comparison Study of Credit Card Fraud Detection: Supervised versus Unsupervised
信用卡已经成为线上和线下购物的流行支付方式，这导致日常欺诈交易不断增加。因此，有效的欺诈检测方法对于保持支付系统的可靠性至关重要。在这项研究中，我们使用各种监督和无监督的方法进行信用卡欺诈检测的比较研究。具体地，6个监督分类模型，即，逻辑回归（LR）、K-最近邻（KNN）、支持向量机（SVM）、决策树（DT）、随机森林（RF）、极端梯度提升（XGB）以及4种无监督异常检测模型，即，本研究探讨了单类支持向量机（OCSVM）、自动编码器（AE）、受限玻尔兹曼机（RBM）和生成对抗网络（GAN）。我们在来自Kaggle网站的公共信用卡交易数据集上训练了所有这些模型，该数据集包含284，807笔交易中的492笔欺诈。事务的标签仅用于监督学习模型。每个模型的性能通过5倍交叉验证在受试者工作曲线下面积（AUROC）方面进行评价。在监督方法中，XGB和RF分别获得最佳性能，AUROC = 0.989和AUROC = 0.988。而对于无监督方法，RBM实现了最佳性能，AUROC = 0.961，其次是GAN，AUROC = 0.954。实验结果表明，在这项研究中，监督模型的性能略好于无监督模型。无论如何，无监督的方法仍然是有前途的信用卡欺诈交易检测，由于不足的注释和数据不平衡的问题，在现实世界的应用。
2019-04-24 cs.LG
Multiple perspectives HMM-based feature engineering for credit card fraud detection
INSA Lyon（里昂国立应用科学学院）；Universität Passau（帕绍大学）；ATOS Worldline（源讯Worldline）
机器学习和数据采掘技术已被广泛用于检测信用卡欺诈。然而，大多数研究认为信用卡交易作为孤立的事件，而不是作为一个交易序列。在这篇文章中，我们从三个不同的角度，即（i）序列是否包含欺诈信用卡交易序列？(ii)序列是通过固定持卡人还是固定支付终端获得的？(iii)它是当前交易和前一个交易之间花费的金额或经过的时间的序列吗？三个二元视角的组合给出了来自（训练）事务集的八组序列。这些集合中的每一个都用隐马尔可夫模型（HMM）建模。每个HMM将可能性与给定其先前事务序列的事务相关联。这些似然度被用作用于欺诈检测的随机森林分类器中的附加特征。这种基于多视角HMM的方法能够实现自动特征工程，以便对数据集相对于分类任务的顺序属性进行建模。与用于信用卡欺诈检测的最新特征工程策略相比，该策略允许精确召回AUC增加15%。
2019-05-15 cs.AI cs.CR cs.LG
Credit card fraud detection - Classifier selection strategy
Queen Mary University of London（伦敦玛丽女王大学）
机器学习为金融欺诈检测开辟了新的工具。使用带注释的交易样本，机器学习分类算法学习检测欺诈。随着信用卡交易量的增长和欺诈百分比的上升，人们越来越有兴趣找到合适的机器学习分类器进行检测。然而，欺诈数据集多种多样，并表现出不一致的特点。因此，对给定数据集有效的模型不能保证在另一个数据集上也有效。此外，数据模式和特性随时间的时间漂移的可能性很高。此外，欺诈数据具有大量和不同的不平衡性。在这项工作中，我们评估抽样方法作为一个可行的预处理机制，以处理不平衡，并提出了一个数据驱动的分类器选择策略的特征高度不平衡的欺诈检测数据集。基于我们的选择策略得出的模型超越了同行模型，同时在更现实的条件下工作，建立了策略的有效性。
2022-08-25 cs.CR cs.LG
Feature-Level Fusion of Super-App and Telecommunication Alternative Data Sources for Credit Card Fraud Detection
Rappi Colombia（Rappi 哥伦比亚）；Rappi México（Rappi 墨西哥）
当没有足够的数据来证实客户的身份时，身份盗窃是信贷机构面临的一个主要问题。在包含许多不同服务的超级应用程序大型数字平台中，这个问题更加相关;在一个分支中失去一个客户通常意味着在其他服务中失去他们。在本文中，我们回顾了超级应用程序客户信息，移动电话线路数据和传统信用风险变量的特征级融合对于身份盗窃信用卡欺诈早期检测的有效性。通过所提出的框架，我们在使用一个模型时取得了更好的性能，该模型的输入是替代数据和传统征信局数据的融合，ROC AUC得分为0.81。我们评估了来自信贷机构数字平台数据库的约90，000名用户的方法。评估不仅使用传统的ML指标，而且还使用财务成本。
2021-11-05 cs.LG
Credit Card Fraud Detection
ETIT-KIT；IIIT at ETIT-KIT（ETIT-KIT 国际信息技术学院）
本文针对信用卡欺诈检测中的类别不平衡问题，比较五种机器学习模型在欠采样、SMOTE和混合方法下的表现，发现混合方法最能平衡召回率与精确率，尤其提升MLP和KNN的性能。
2025-09-18 cs.AI cs.LG
An Attention-Driven Heterogeneous GNN Model for Credit Card Fraud Detection
Sathyabama Institute of Science and Technology（萨蒂亚巴玛科学技术学院）
针对信用卡欺诈检测中数据不平衡和模式多变的问题，提出结合SMOTE-Tomek平衡技术与注意力驱动的异构图神经网络模型，实现高精度欺诈识别。
2026-09-29 cs.LG
A Comprehensive Survey on Machine Learning Techniques and User Authentication Approaches for Credit Card Fraud Detection
University of Central Florida（中佛罗里达大学）
随着信用卡使用量的增加，信用卡滥用量也明显增加。因此，金融机构正在努力开发和部署信用卡欺诈检测方法，以适应不断发展、日益复杂的欺诈策略，并尽快识别非法交易，以保护自己和客户。与这种不利策略的复杂性质相比，信用卡欺诈活动与合法交易的数量相比是罕见的。因此，开发准确和有效的欺诈检测的挑战大大加剧，因此，信用卡欺诈检测最近已经成为一个非常活跃的研究领域。在这项工作中，我们提供了一个调查目前的技术最相关的问题，信用卡欺诈检测。我们的调查主要分两部分进行。在第一部分中，我们专注于利用经典机器学习模型的研究，这些模型主要采用传统的跨国特征来进行欺诈预测。这些模型通常依赖于一些静态的物理特性，例如用户知道什么（基于知识的方法），或者他/她可以访问什么（基于对象的方法）。在我们调查的第二部分，我们回顾了更先进的用户身份验证技术，这些技术使用行为生物识别技术，根据他/她与电子设备交互时的独特行为来识别个人。这些方法依赖于人们的行为方式（而不是他们做什么），这是不容易伪造的。通过概述当前的方法和文献中报告的结果，这项调查旨在推动社区未来的研究议程，以开发更准确，可靠和可扩展的信用卡欺诈检测模型。
2019-12-02 cs.CR cs.CY cs.LG
Impact of Sampling Techniques and Data Leakage on XGBoost Performance in Credit Card Fraud Detection
University of Fort Hare（福特哈尔大学）
本研究针对信用卡欺诈检测中的类别不平衡问题，对比了三种采样应用时机下XGBoost模型的性能，发现划分前采样会因数据泄露导致性能虚高，仅对训练集采样虽结果更低但保证评估可靠。
2024-12-10 cs.LG
A Data Balancing and Ensemble Learning Approach for Credit Card Fraud Detection
Columbia University（哥伦比亚大学）
本研究提出结合SMOTE-KMEANS与集成学习的方法检测信用卡欺诈，在平衡数据集上AUC达0.96，优于传统模型，未来可优化并集成至现有系统。
2025-03-27 cs.LG
Improving Credit Card Fraud Detection with an Optimized Explainable Boosting Machine
ReDi School（ReDi学院）
本文通过优化可解释提升机算法，提升信用卡欺诈检测的准确性和可解释性，实验结果显示其在ROC-AUC指标上优于多种传统方法。
2026-02-06 cs.LG
Locally Interpretable One-Class Anomaly Detection for Credit Card Fraud Detection
National Taiwain University（国立台湾大学）
针对高度不平衡的信用卡欺诈检测问题，现有的方法大多采用数据增强方法或传统的机器学习模型，缺乏基于神经网络的异常检测方法。此外，很少有研究采用人工智能可解释性工具来研究交易数据的特征重要性，这对于黑盒欺诈检测模块至关重要。综合考虑这两点，我们提出了一个新的信用卡欺诈检测的异常检测框架，以及一个模型解释模块负责预测解释。欺诈检测模型由两个深度神经网络组成，它们以无监督和对抗的方式进行训练。准确地说，生成器是一个AutoEncoder，旨在重建真实的交易数据，而加密器是一个用于欺诈检测的全连接网络。解释模块有三个白盒解释器，分别负责解释AutoEncoder、ESTA和整个检测模型。实验结果表明，与基线相比，我们的欺诈检测模型在基准数据集上的最先进的性能。此外，三个解释器的预测分析，提供了一个清晰的视角如何感兴趣的实例的每个功能有助于最终的模型输出。
2022-06-29 cs.AI cs.LG
Challenges and Complexities in Machine Learning based Credit Card Fraud Detection
Queen Mary University of London（伦敦玛丽女王大学）
信用卡在现代经济中发挥着爆炸性的作用。它的流行和无处不在创造了一个肥沃的土壤欺诈，由跨境到达和即时确认的帮助。在交易增长的同时，欺诈的比例也在上升，一美元欺诈的真实成本也在上升。交易量、欺诈的独特性和欺诈者的聪明才智是发现欺诈的主要挑战。机器学习、人工智能和大数据的出现为打击欺诈开辟了新的工具。鉴于过去的交易，机器学习算法有能力“学习”无限复杂的特征，以便实时识别欺诈行为，超越最好的人类调查人员。然而，欺诈检测算法的发展一直具有挑战性和缓慢，这是由于欺诈数据的大规模不平衡性，缺乏基准和标准评估指标来识别性能更好的分类器，缺乏研究结果的共享和披露，以及难以访问机密交易数据进行研究。这项工作研究了典型的大规模不平衡的欺诈数据集的属性，它们的可用性，研究使用的适用性，同时探索欺诈分布的广泛变化的性质。此外，我们还展示了人类注释错误如何与机器分类错误复合。我们还进行了实验，以确定PCA混淆（作为传播用于研究和机器学习的敏感交易数据的一种手段）对分类器算法性能的影响，并表明虽然PCA不会显着降低性能，但应注意使用适当的主成分大小（尺寸），以避免过拟合。
2022-08-20 cs.CR cs.LG
Credit Card Fraud Detection Using RoFormer Model With Relative Distance Rotating Encoding
Flow Payment Gateway（Flow支付网关）
本文提出一种在 RoFormer 模型中引入相对距离旋转编码（ReDRE）的新方法，通过增强时间序列数据表征来更好地捕获时间依赖性和事件关系，从而提升信用卡欺诈检测效果。
2025-07-12 cs.LG cs.NE
The Importance of Future Information in Credit Card Fraud Detection
University of Duisburg-Essen（杜伊斯堡-埃森大学）；University of Passau（帕绍大学）；Worldline（Worldline公司）
欺诈检测系统（FDS）主要执行两个任务：（i）在处理支付时进行实时检测，以及（ii）事后检测以追溯性地阻止卡并避免进一步的欺诈。由于人工验证通常是必要的，并且支付处理时间有限，因此第二个任务管理的交易量最大。在文献中，欺诈检测挑战和算法性能被广泛研究，但问题的提法从未中断：它旨在根据持卡人的特征和过去的交易来预测交易是否是欺诈性的。然而，在事后检测中，验证通常需要几天时间，因此在做出决定之前，卡上的新付款就可以使用了。这是我们提出一个新的范例的动机：后验欺诈检测与“未来”的信息。我们首先提供后续事务的准时可用性的证据，可用作额外的上下文来提高检测。然后，我们设计了一个双向LSTM来利用这些事务。在拥有超过3000万笔交易的真实数据集上，它比常规LSTM实现了更高的性能，后者是仅使用过去上下文的最先进的欺诈检测分类器。我们还引入了新的指标，以表明该提案可以捕获更多的欺诈行为，更多的受损卡，并基于他们最早的欺诈行为。我们相信，未来的工作，这一新的模式将有显着的影响检测受损卡。
2022-04-11 cs.LG
Comparative Evaluation of Anomaly Detection Methods for Fraud Detection in Online Credit Card Payments
Université Paris-Saclay（巴黎-萨克雷大学）；CNRS（法国国家科学研究中心）；LUSIS AI（LUSIS AI公司）
本研究比较了异常检测与监督学习方法在在线信用卡欺诈检测中的性能，发现LightGBM表现最优，但受分布偏移影响更大，且能捕获AD方法检测到的大部分欺诈。
2023-12-21 cs.LG q-fin.ST
Heterogeneous Graph Auto-Encoder for CreditCard Fraud Detection
Department of Computer Science and Engineering（计算机科学与工程系）；Dibrugarh University Institute of Engineering and Technology（迪布加尔大学工程与技术学院）；Department of Electronic and Communication Engineering（电子与通信工程系）
本文提出一种结合注意力机制GNN与异构图表示的信用卡欺诈检测新方法，并集成自编码器解决类别不平衡问题，实现0.89的AUC-PR和0.81的F1分数，显著优于Graph Sage等基准算法。
2024-10-10 cs.AI cs.LG
Fraud detection in credit card transactions using Quantum-Assisted Restricted Boltzmann Machines
Quantum Technology Department, The Netherlands Organization for Applied Scientific Research, TNO, The Netherlands（量子技术系，荷兰应用科学研究院，荷兰）
本文提出利用量子辅助受限玻尔兹曼机进行信用卡欺诈检测，实验表明该方法在性能指标上优于经典方法，为金融系统故障检测提供了新途径。
2025-12-19 cs.LG quant-ph
The Fundamental Limits of Fraud Detection in Card Payment Networks
Mastercard
本文通过形式化支付授权为具有延迟、审查、污染和反事实缺失反馈的序贯决策问题，推导出极小极大遗憾下界，证明生态系统信息质量是欺诈检测的根本瓶颈，而非模型复杂度。
2026-05-29 cs.LG stat.ML
Uncertainty-Aware Credit Card Fraud Detection Using Deep Learning
Lian Sazeh group（联萨泽集团）；University of Tehran（德黑兰大学）；Institute for Intelligent Systems Research and Innovation (IISRI), Deakin University（迪肯大学智能系统研究与创新研究所（IISRI））；University of Vaasa（瓦萨大学）；Faculty of Engineering of University of Porto（波尔图大学工程学院）；INESC TEC（葡萄牙系统与计算机工程研究所）
在信用卡欺诈检测任务中，深度神经网络（DNN）的无数研究工作都集中在通过构建不同的网络架构或学习模型来提高点预测的准确性和减轻不必要的偏差。量化的不确定性伴随着点估计是必不可少的，因为它减轻了模型的不公平性，并允许从业者开发值得信赖的系统，放弃次优决策，由于低信心。明确地说，评估与DNN预测相关的不确定性在现实世界的卡欺诈检测设置中至关重要，原因包括：（a）欺诈者不断改变他们的策略，因此，DNN遇到的观察结果不是由与训练分布相同的过程生成的，（b）由于耗时的过程，很少有交易被专业专家及时检查以更新DNN。因此，本研究提出三个不确定性量化（UQ）技术命名为蒙特卡洛辍学，合奏，合奏蒙特卡洛辍学卡欺诈检测应用于交易数据。此外，为了评估预测不确定性估计，UQ混淆矩阵和几个性能指标。通过实验结果，我们表明，合奏是更有效地捕捉对应于生成的预测的不确定性。此外，我们证明了所提出的UQ方法提供了额外的洞察点的预测，从而提高了欺诈预防过程。
2021-07-28 cs.AI cs.LG
Credit Card Fraud Detection Using Advanced Transformer Model
Northeastern University（东北大学）；University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）；Johns Hopkins University（约翰斯·霍普金斯大学）；University of Pittsburgh（匹兹堡大学）；University of Michigan（密歇根大学）；Miami University（迈阿密大学）
本研究针对信用卡欺诈威胁，提出利用最新 Transformer 模型进行稳健精确的欺诈检测，通过平衡数据集和选择高相关向量强化训练，并与 SVM 等模型对比验证，证明其在欺诈检测领域的巨大潜力与实质性进步。
2024-11-12 cs.AI cs.LG
Semi-supervised Credit Card Fraud Detection via Attribute-Driven Graph Representation
Australian Artificial Intelligence Institute, University of Technology Sydney（悉尼科技大学澳大利亚人工智能研究所）；Tongji University（同济大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Tencent Jarvis Laboratory（腾讯贾维斯实验室）
针对信用卡欺诈检测中标记数据稀缺的问题，提出半监督图神经网络GTAN，通过构建时序交易图、门控时序注意力机制和风险传播学习交易表示，在少量标记数据下显著提升了检测性能。
2024-12-24 cs.AI cs.LG cs.SI
Validation-Stage Combinatorial Fusion Analysis for Imbalanced Credit-Card Fraud Detection
Xiao Han and Chenyu Wu contributed equally to this work.（小韩和吴晨宇共同完成了本工作。）
针对信用卡欺诈检测中数据不平衡问题，提出在验证阶段使用组合融合分析（CFA）选择互补模型子集并赋予多样性权重，在IEEE-CIS基准上AUC-ROC达0.9405。
2026-06-09 cs.CE cs.LG
Data Leakage and Deceptive Performance: A Critical Examination of Credit Card Fraud Detection Methodologies
University of Nizwa（努兹瓦大学）；Euromov Digital Health in Motion, Univ Montpellier, IMT Mines Ales（欧罗姆数字健康运动，蒙彼利埃大学，IMT Mines Ales）
本文批判信用卡欺诈检测研究中的评估缺陷，通过实验证明数据泄漏等问题可使简单模型取得欺骗性高性能，强调方法论严谨性比模型复杂度更重要。
2025-11-10 cs.AI cs.CY cs.LG
Evaluating resampling methods on a real-life highly imbalanced online credit card payments dataset
Lusis（Lusis公司）
任何基于机器学习的信用卡欺诈检测的各种问题都来自于交易数据集的不平衡方面。事实上，与常规交易的数量相比，欺诈的数量是微不足道的，并且已被证明会损害学习性能，例如，在最坏的情况下，算法可以学习将所有交易分类为常规交易。恢复方法和成本敏感的方法被认为是很好的候选人，以利用这个问题的不平衡的数据集。本文评估了许多国家的最先进的resception方法在一个大型的现实生活中的在线信用卡支付数据集。我们表明，他们是低效的，因为方法是棘手的，因为指标没有表现出实质性的改善。我们的工作对这一领域的贡献在于：（1）我们在大规模数据集上比较了许多最先进的resception方法;（2）我们使用了真实的在线信用卡支付数据集。
2022-06-27 cs.LG
Comparative Performance Analysis of Quantum Machine Learning Architectures for Credit Card Fraud Detection
eBRAIN Lab, Division of Engineering, New York University Abu Dhabi (NYUAD), Abu Dhabi, UAE（纽约大学阿布扎比分校（NYUAD）工程学院 eBRAIN 实验室，阿布扎赫，阿联酋）；Center for Quantum and Topological Systems (CQTS), NYUAD Research Institute, NYUAD, Abu Dhabi, UAE（量子与拓扑系统中心（CQTS），NYUAD 研究院，纽约大学阿布扎比分校（NYUAD），阿布扎赫，阿联酋）
本文比较了三种量子机器学习架构在信用卡欺诈检测中的性能，发现VQC表现最佳，而EQNN面临非标准化数据挑战，强调了模型配置的重要性。
2026-01-14 cs.LG quant-ph
EmDT: Embedding Diffusion Transformer for Tabular Data Generation in Fraud Detection
Arizona State University – School of Mathematical and Statistical Sciences（亚利桑那州立大学数学与统计科学学院）
EmDT通过UMAP聚类识别欺诈模式，并利用Transformer去噪网络生成欺诈样本，提升分类性能，同时保持隐私保护和特征相关性。
2026-04-29 cs.LG stat.ML
Interleaved Sequence RNNs for Fraud Detection
Feedzai（Feedzai公司）；Cleverly（Cleverly公司）
支付卡欺诈给全球银行和商家造成数十亿美元的损失，往往助长复杂的犯罪活动。为了解决这个问题，许多实时欺诈检测系统使用基于树的模型，需要复杂的特征工程系统来有效地丰富历史数据的交易，同时遵守毫秒级延迟。在这项工作中，我们不需要那些昂贵的功能，通过使用递归神经网络和处理支付作为一个交织序列，其中每张卡的历史是一个无界的，不规则的子序列。我们提出了一个完整的RNN框架来实时检测欺诈，提出了一个从预处理到部署的高效ML管道。我们证明了这些无特征的多序列RNN的性能优于最先进的模型，节省了数百万美元的欺诈检测费用，并使用更少的计算资源。
2020-06-17 cs.CR cs.LG stat.ML
A Comprehensive Performance Comparison of Traditional and Ensemble Machine Learning Models for Online Fraud Detection
Vellore Institute of Technology（韦洛尔理工学院）
本文在高度不平衡的信用卡欺诈数据集上系统比较了随机森林、SVM、逻辑回归、XGBoost等传统模型与堆叠、投票等集成方法的性能，发现集成方法精确率更高而传统方法召回率更优，为实际欺诈检测中的模型选择提供了依据。
2025-09-21 cs.LG
Fraud Detection Using Optimized Machine Learning Tools Under Imbalance Classes
Texas A&M University-Corpus Christi（德州农工大学科珀斯克里斯蒂分校）
欺诈检测是一项具有挑战性的任务，因为欺诈模式的性质会随着时间的推移而变化，并且学习这种复杂模式的欺诈示例的可用性有限。因此，借助智能版本的机器学习（ML）工具进行欺诈检测对于确保安全至关重要。欺诈检测是ML分类的主要任务;然而，相应ML工具的最佳性能依赖于最佳超参数值的使用。此外，不平衡类下的分类是相当具有挑战性的，因为它会导致少数类的性能较差，而大多数ML分类技术都忽略了这一点。因此，我们研究了四种最先进的ML技术，即逻辑回归、决策树、随机森林和极端梯度提升，这些技术适用于处理不平衡类，以最大限度地提高精度，同时减少误报。首先，这些分类器在两个原始基准不平衡欺诈检测数据集上进行训练，即钓鱼网站URL和欺诈信用卡交易。然后，通过实施采样框架，即RandomUnderSampler，SMOTE和SMOTEENN，为每个原始数据集生成三个综合平衡的数据集。使用RandomzedSearchCV方法揭示了所有16个实验的最佳超参数。在欺诈检测的背景下，16种方法的有效性进行了比较，使用两个基准性能指标，即，曲线下面积的接收器操作特性（AUC ROC）和曲线下面积的精度和召回（AUC PR）。对于钓鱼网站URL和信用卡欺诈交易数据集，结果表明，在原始数据上训练的极端梯度提升在不平衡数据集中显示出值得信赖的性能，并在AUC ROC和AUC PR方面优于其他三种方法。
2022-09-04 cs.LG
Empirical study of Machine Learning Classifier Evaluation Metrics behavior in Massively Imbalanced and Noisy data
Queen Mary University of London（伦敦玛丽女王大学）
随着信用卡交易量的增长，欺诈比例也在上升，包括机构打击和赔偿受害者的间接成本。将机器学习应用于金融领域，可以更有效地防范欺诈和其他经济犯罪。经过适当训练的机器学习分类器有助于积极主动地进行欺诈检测，提高利益相关者的信任度和抵御非法交易的稳健性。然而，基于机器学习的欺诈检测算法的设计一直具有挑战性且缓慢，这是由于欺诈数据的大规模不平衡性质以及准确且完整地识别欺诈以创建黄金标准地面实况的挑战。此外，没有基准或标准的分类器评估指标来衡量和识别性能更好的分类器，从而使研究人员处于黑暗中。在这项工作中，我们开发了一个理论基础，以模拟人类注释错误和极端不平衡典型的现实世界中的欺诈检测数据集。通过在一个假设的分类器上进行实证实验，使用一个近似于真实世界中流行的信用卡欺诈数据集的合成数据分布，我们模拟人类注释错误和极端不平衡，以观察流行的机器学习分类器评估矩阵的行为。我们证明了组合F1得分和g均值，在特定的顺序，是典型的不平衡欺诈检测模型分类的最佳评价指标。
2022-08-25 cs.CR cs.LG
Sequential Behavioral Data Processing Using Deep Learning and the Markov Transition Field in Online Fraud Detection
CreditX Inc.（CreditX公司）；JD Finance Inc.（京东金融公司）
由于互联网和智能移动设备的普及，越来越多的金融交易和活动已经数字化。与使用信用相关特征的传统金融欺诈检测策略相比，客户每秒都会生成大量非结构化行为数据。在本文中，我们提出了一种基于递归神经网络（RNN）的深度学习结构，该结构集成了马尔可夫转移场（MTF），用于使用客户与网站或智能手机应用程序的交互作为一系列状态来预测在线欺诈行为。在实践中，我们测试和证明，所提出的网络结构处理序列行为数据可以显着提高欺诈预测能力相比，多层感知器网络和基于距离的分类器与动态时间规整（DTW）的距离度量。
2018-08-16 cs.IR cs.LG stat.ML
Synthetic Demographic Data Generation for Card Fraud Detection Using GANs
Memorial University of Newfoundland（纽芬兰纪念大学）；Verafin（Verafin公司）
本研究构建了名为DGGAN的深度学习生成对抗网络，通过在训练期间生成样本以克服类不平衡问题，从而生成复杂的合成人口统计数据，提升信用卡欺诈检测性能。
2023-06-29 cs.AI cs.LG
Improve Fidelity and Utility of Synthetic Credit Card Transaction Time Series from Data-centric Perspective
UCLA（加州大学洛杉矶分校）
本文针对信用卡交易时间序列合成数据的保真度与实用性挑战，提出五种预处理方案以增强 CPAR 模型训练，并验证了合成数据在欺诈检测任务中的有效性，为金融领域提供了实用指南。
2024-01-01 cs.LG
Sequence embeddings help to identify fraudulent cases in healthcare insurance
Skoltech（斯科尔科沃科学技术研究所）；University of Hamburg（汉堡大学）
欺诈给金融和保险行业的公司和客户造成了巨大的成本和损失。例如，欺诈性信用卡交易或欺诈性索赔。据估计，保险业每年发生的损失和损失调整费用中大约有$10$ %来自欺诈性索赔。金融和保险业数字化的兴起和扩散导致了大数据集的出现，特别是文本数据，可用于欺诈检测。在本文中，我们提出了通过深度学习进行文本嵌入的架构，与其他机器学习方法相比，这有助于提高欺诈性索赔的检测。我们说明了我们的方法使用一个大型国际健康保险公司的数据集。实证结果表明，我们的方法优于其他国家的最先进的方法，可以帮助使索赔管理过程更有效。随着（非结构化）文本数据越来越多地提供给经济学家和计量经济学家，我们提出的方法将是有价值的许多类似的应用程序，特别是当变量有大量的类别是典型的，例如国际疾病分类（ICD）的代码在卫生经济学和卫生服务。
2019-10-07 cs.CR cs.LG stat.ML
Loss Rate Forecasting Framework Based on Macroeconomic Changes: Application to US Credit Card Industry
North Carolina State University（北卡罗来纳州立大学）；Raynolds American（雷诺兹美国公司）
美国最大银行的资产负债表的主要部分由信用卡组合组成。因此，管理撇帐率对信用卡业的盈利能力至关重要。不同的宏观经济条件影响个人偿还债务的行为。在本文中，我们提出了一个专家系统的损失预测在信用卡行业使用宏观经济指标。我们选择的指标是基于对经济、消费者、企业和政府部门各个方面的文献和专家意见的全面审查。最先进的机器学习模型被用来开发建议的专家系统框架。我们开发了两个版本的预测专家系统，它利用不同的方法来选择添加到每个指标的滞后之间。在作为输入的19个宏观经济指标中，有6个被用于模型的最佳滞后，7个指标被模型选择使用所有滞后。每一个模型所选择的特征都涵盖了所有三个经济部门。使用1985年第一季度至2019年第二季度按资产排名的美国前100家银行的冲销数据，我们分别使用具有最佳滞后的模型和具有所有滞后的模型实现了1.15 E-03和1.04 E-03的均方误差值。建议的专家系统提供了一个整体的经济观点的从业者在信用卡行业，并帮助他们看到不同的宏观经济条件对他们未来的损失的影响。
2020-06-14 cs.LG econ.GN q-fin.EC
SCAFDS: Edge-Feature Graph Attention for Interbank Fraud Detection with Attribution-Grounded SAR Generation
Taskimpetus Inc.（Taskimpetus公司）
本文提出SCAFDS系统，通过七阶段集成监控流程解决现有方法的五个结构性限制，利用欺诈共现边特征进行跨银行拓扑编码，结合节点表示和欺诈共现边特征进行边特征引导的图注意力，生成机构级系统性欺诈风险评分，并通过归因条件生成SAR叙述，实现每个FinCEN SAR断言的可追溯性，最终在IEEE-CIS欺诈检测数据集和合成FDIC对齐的跨银行网络上取得了显著的AUPRC和AUROC提升。
2026-05-17 cs.AI cs.CR cs.LG
Explainable AI for Fraud Detection: An Attention-Based Ensemble of CNNs, GNNs, and A Confidence-Driven Gating Mechanism
University of Tehran（德黑兰大学）；University of Waterloo（滑铁卢大学）；Sejong University（世宗大学）
针对信用卡欺诈检测，提出一种结合CNN、RNN、GNN、LSTM的注意力集成与置信度门控机制，并用SHAP提升可解释性，在三个数据集上取得高准确率与稳健泛化。
2025-02-22 cs.LG q-fin.RM
Interpretable vs Learned Encoders for High-Cardinality Fraud Detection
Goizueta Business School Emory University Atlanta, GA, USA（埃默里大学戈伊苏埃塔商学院）；Computer Sciences University of California, Berkeley Kirkland, WA（加州大学伯克利分校计算机科学系）；Stern School of Business New York University New York, NY, USA（纽约大学斯特恩商学院）；School of Data Science University of Pennsylvania Philadelphia, PA, USA（宾夕法尼亚大学数据科学学院）；Pratt School of Engineering Duke University Durham, NC, USA（达特茅斯大学普拉特工程学院）
在IEEE-CIS欺诈数据集上比较7种分类编码方法，实体嵌入在AUC-ROC上最优（0.9612），与CatBoost（0.9602）无显著差异，优于其他编码器；CatBoost在AUC-PR上领先（0.822 vs 0.793），无编码器同时主导两个指标。
2026-07-02 cs.CE cs.LG
QFDNN: A Resource-Efficient Variational Quantum Feature Deep Neural Networks for Fraud Detection and Loan Prediction
Department of Physics, Indian Institute of Science Education and Research（印度科学教育与研究学院物理系）；Bikash’s Quantum (OPC) Pvt. Ltd.（比克ash量子（OPC）私人有限公司）；Nottingham Trent University（诺丁汉特伦特大学）；Qatar Center for Quantum Computing, College of Science and Engineering（卡塔尔量子计算中心，科学与工程学院）；Hamad Bin Khalifa University（哈马德·本·卡西姆大学）；Department of Computer Science, Faculty of Computers and Artificial Intelligence（计算机科学系，计算机与人工智能学院）
针对金融欺诈检测和贷款预测中经典机器学习面临的高计算成本及现有量子算法抗噪性差的问题，提出资源高效且抗噪的量子特征深度神经网络QFDNN，在降低开销下实现高准确率并验证了鲁棒性。
2025-04-28 cs.LG quant-ph
Fraud Detection using Data-Driven approach
TEB SH.A；University for Business and Technology（商业与技术大学）
互联网的广泛使用正在不断漂移企业将其服务纳入在线环境。最先接受这一演变的领域之一是银行业。事实上，第一个已知的网上银行服务出现在1980年。它是从位于诺克斯维尔的一家社区银行部署的，名为美国联合银行。从那时起，网上银行一直提供方便和效率，以客户完成他们的日常银行业务。互联网银行的日益普及和大量的在线交易也增加了欺诈行为。似乎欺诈行为的增加还不够，大量的在线交易进一步增加了数据的复杂性。现代数据源不仅复杂，而且是高速实时生成的。这提出了一个严重的问题，也是为什么需要更先进的解决方案来保护金融服务公司和信用卡持有人的明确原因。因此，本研究旨在构建一个有效的欺诈检测模型，这是自适应客户行为的变化，并倾向于减少欺诈操纵，通过检测和过滤欺诈实时。为了实现这一目标，对各种方法进行了审查，并在上面增加了在银行部门工作的个人经验，特别是在欺诈侦查办公室。与大多数综述的方法不同，本研究论文中提出的模型能够使用增量分类器在发生时检测欺诈。根据与复制典型的真实攻击的领域专家合作选择的欺诈场景，对合成数据进行了评估，结果表明这种方法可以正确地对复杂的欺诈行为进行排名。特别是，我们的建议检测欺诈行为和异常高达97%的检测率，同时保持一个令人满意的低成本。
2020-09-08 cs.LG
