Graph Neural Networks for Financial Fraud Detection: A Review
Department of Computer Science and Technology, Tongji University(同济大学计算机科学与技术系);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);National Collaborative Innovation Center for Internet Financial Security(国家互联网金融安全协同创新中心);AAII, University of Technology Sydney(AAII,悉尼大学)
本综述提出统一框架,系统分析图神经网络在金融欺诈检测中的适用性、部署与设计,揭示其优于传统方法,并指出未来研究方向。
2024-11-17 cs.LG q-fin.ST
GraphGuard: Contrastive Self-Supervised Learning for Credit-Card Fraud Detection in Multi-Relational Dynamic Graphs
University of St. Gallen (HSG)(圣加仑大学(HSG))
针对信用卡欺诈检测中特征工程和标注依赖的局限,提出基于图的对比自监督框架GraphGuard,在真实与合成数据集上验证了其有效性。
2024-07-17 cs.LG
Fraud Detection in Cryptocurrency Markets with Spatio-Temporal Graph Neural Networks
1 Faculty of Informatics, Universit\` a della Svizzera italiana , Lugano, Switzerland;2 School of Management;Law, Zurich University of Applied Sciences, Zurich, Switzerland
本文提出利用时空图神经网络检测加密货币市场欺诈,通过聚合小时级数据构建图结构,结合注意力机制和Transformer编码提升欺诈检测性能。
2026-04-27 cs.CE cs.LG
Transaction Fraud Detection via Spatial-Temporal-Aware Graph Transformer
Tongji University(同济大学)
本文提出时空感知图Transformer(STA-GT),通过时间编码策略和Transformer模块融合局部与全局时空信息,克服传统GNN结构限制,在交易欺诈检测任务上取得优于现有GNN模型的效果。
2023-07-11 cs.LG q-fin.GN
PREF-Gate: Provenance-Constrained Relational Evidence Fusion with Validation-Gated Selection for Graph Fraud Detection
Central South University(中南大学);University of Technology Sydney, Australian Artificial Intelligence Institute(悉尼科技大学,澳大利亚人工智能研究所)
研究图欺诈检测问题,提出PREF-Gate框架,结合无标签图上下文与标签衍生邻域证据,通过验证门控选择专家或概率混合,在多数据集实验中取得较好结果,提供可审计决策管道。
2026-07-14 cs.AI cs.LG
Quick survey of graph-based fraud detection methods
University of Bucharest(布加勒斯特大学);The Research Institute University of Bucharest (ICUB)(布加勒斯特大学研究院(ICUB))
一般来说,异常检测是区分具有明确定义的模式或签名的正常数据样本和不符合预期轮廓的数据样本的问题。金融交易、客户评论、社交媒体帖子都以关系信息为特征。在这些网络中,欺诈行为可能表现为一个独特的图形边缘,例如垃圾邮件、节点或更大的子图结构,例如当一组客户参与洗钱计划时。最常见的是,这些网络被表示为属性图,数字特征补充了关系信息。我们提出了一个调查的异常检测技术用于欺诈检测,利用图形结构的数据和包含在属性的上下文信息。
2021-01-11 cs.CR cs.LG stat.ML
FinFraudBench: A Heterogeneous Graph Benchmark for Financial Fraud Detection
HKUST-GZ(香港科技大学(广州));Jilin University(吉林大学);Ant Group(蚂蚁集团)
针对现有金融欺诈检测基准与实际金融系统不匹配的问题,本文提出异质图基准FinFraudBench,构建两个大规模异质金融图数据集并建立标准化评估协议,为相关研究提供支撑。
2026-08-18 cs.AI cs.LG
ChequeMark: An Ensemble Machine Learning Framework for After-Hours Business Deposit Fraud Detection
Royal Bank of Canada(加拿大皇家银行)
针对非工作时段商业存款的支票欺诈风险,ChequeMark多视图集成ML框架结合XGBoost、Isolation Forest与GraphSAGE生成客户风险评分,在分布偏移场景下性能优于单一模型,提升了鲁棒性与可解释性。
2026-08-25 cs.LG
Enhancing Graph Neural Network-based Fraud Detectors against Camouflaged Fraudsters
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);Beijing University of Posts and Telecommunications(北京邮电大学);Beihang University(北京航空航天大学)
近年来,图神经网络(GNNs)被广泛应用于欺诈检测问题,它通过不同的关系聚合节点的邻域信息来揭示节点的可疑性。然而,很少有以前的工作已经注意到欺诈者的伪装行为,这可能会妨碍基于GNN的欺诈检测器在聚合过程中的性能。在本文中,我们介绍了两种类型的抵押贷款的基础上,最近的实证研究,即,特征伪装和关系伪装。现有的GNN没有解决这两个问题,这导致它们在欺诈检测问题中的性能很差。或者,我们提出了一个新的模型,名为CAmouflage-Resistant GNN(CARE-GNN),以增强GNN聚合过程中的三个独特的模块,对重复。具体地说,我们首先设计了一个标签感知的相似性度量,以找到信息丰富的相邻节点。然后,我们利用强化学习(RL)来找到要选择的邻居的最佳数量。最后,跨不同关系的所选邻居被聚合在一起。在两个真实欺诈数据集上的综合实验证明了RL算法的有效性。所提出的CARE-GNN也优于最先进的GNN和基于GNN的欺诈检测器。我们将所有基于GNN的欺诈检测器集成为开源工具箱:https://github.com/safe-graph/DGFraud。CARE-GNN代码和数据集可在https://github.com/YingtongDou/CARE-GNN上获得。
2020-08-19 cs.CR cs.LG cs.SI
Detecting Credit Card Fraud via Heterogeneous Graph Neural Networks with Graph Attention
Columbia University(哥伦比亚大学);University of Michigan(密歇根大学);Wake Forest University(维克森林大学);University of Minnesota(明尼苏达大学);The University of Chicago(芝加哥大学);Northeastern University(东北大学)
本文提出一种融合图注意力与时间衰减机制的异构图神经网络信用卡欺诈检测方法,并结合SMOTE过采样与代价敏感学习,在IEEE-CIS数据集上优于GCN、GAT和GraphSAGE。
2025-04-11 cs.CR cs.LG
Quantum-Inspired Contextual Learning for Sparse-Ring Fraud Detection in Dynamic Transaction Graphs
Infleqtion Australia(澳大利亚Infleqtion公司);SoftBank Corp.(软银集团)
研究动态交易图中稀疏环欺诈检测问题,用合成交易模拟器,将每日交易图聚合到滚动窗口并以多种方式表示。比较GRU基线和量子启发式CML,结果表明拓扑作上下文层有用,CML是检测此类欺诈有前途的候选模型。
2026-07-14 cs.LG
Dynamic Fraud Detection: Integrating Reinforcement Learning into Graph Neural Networks
本文提出将强化学习整合到图神经网络中,以解决动态欺诈检测中的标签不平衡、欺诈行为伪装及图边关系动态演变等问题。
2025-12-12 cs.LG cs.SI
Financial Fraud Detection using Quantum Graph Neural Networks
National Technical University of Athens(雅典国家技术大学)
针对传统金融欺诈检测方法效果有限的问题,提出结合变分量子线路的量子图神经网络方法,在真实数据集上AUC达0.85,优于经典图神经网络,为金融欺诈检测提供新方向。
2023-09-03 cs.AI cs.LG quant-ph
The Devil is in the Conflict: Disentangled Information Graph Neural Networks for Fraud Detection
Beijing Institute of Technology(北京理工大学);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学)
基于图的欺诈检测迄今已受到相当大的关注。由于图神经网络(GNNs)的巨大成功,许多采用GNNs进行欺诈检测的方法已经获得了发展势头。然而,大多数现有的方法是基于同质性的强归纳偏差,这表明上下文邻居往往有相同的标签或相似的功能。在现实场景中,欺诈者往往会进行伪装行为,以躲避检测系统。因此,同性恋假设不再成立,这被称为不一致问题。在本文中,我们认为,性能下降的主要原因是拓扑和属性之间的不一致性。为了解决这个问题,我们建议将欺诈网络分解为两个视图,每个视图分别对应于拓扑和属性。然后,我们提出了一个简单而有效的方法,使用注意力机制,自适应融合两个视图,捕捉数据特定的偏好。此外,通过引入拓扑和属性的互信息约束,进一步改进了该算法。为此,我们提出了一个解纠缠信息图神经网络(DIGNN)模型,它利用变分边界找到我们提出的优化目标函数的近似解。大量的实验表明,我们的模型在真实世界的欺诈检测数据集上的表现可以显著优于最先进的基线。
2022-10-22 cs.AI cs.LG cs.SI
A Multi-Scale Graph Learning Framework with Temporal Consistency Constraints for Financial Fraud Detection in Transaction Networks under Non-Stationary Conditions
本文提出STC-MixHop框架,结合多尺度传播与轻量时间一致性建模,用于动态交易网络中的异常检测。通过多尺度邻居扩散编码、时空注意力模块和自监督预训练策略,提升欺诈检测性能,尤其在高不平衡数据中表现优异。
2026-03-15 cs.CR cs.LG
Hybrid LSTM-Graph Neural Framework for Robust Financial Fraud Detection and Adversarial Resilience
Arab Open University(阿拉伯开放大学)
针对金融欺诈检测难题,提出FraudShield AI混合框架,融合LSTM网络与图拓扑特征,设计网络中心特征,用焦点损失和动态阈值机制,在PaySim数据集实验中性能超基线,消融研究验证组件互补性。
2026-07-23 cs.AI cs.LG
Spatio-Temporal Directed Graph Learning for Account Takeover Fraud Detection
AI Foundations, Capital One(Capital One AI 基础部门)
针对账户接管欺诈检测,提出基于时空有向图的ATLAS框架,利用时间感知消息传递和标签传播,在超大规模图上实现6.38%的AUC提升并减少50%以上用户摩擦。
2025-09-24 cs.LG
Towards Anomaly Detection on Relational Data
Griffith University(格里菲斯大学);Guangxi University(广西大学)
提出RelAD框架,通过条件稀疏门控属性重建和双视图多关系边重建,有效检测关系数据中的属性异常和连接模式异常,在6个基准数据集上优于现有方法。
2026-08-04 cs.LG
Advanced fraud detection using machine learning models: enhancing financial transaction security
University of Bridgeport(桥港大学);University of the Potomac(波托马克大学);Westcliff University(韦斯特克利夫大学);Gannon University(甘农大学);The University of Texas at Arlington(德克萨斯大学阿灵顿分校);Washington University of Science and Technology(华盛顿科学技术大学);Trine University(特莱恩大学)
本研究针对数字支付下的欺诈检测需求,提出端到端机器学习框架,通过多源数据融合与特征工程,结合多种无监督模型及聚类方法,有效识别信用卡交易异常,提升金融交易安全性。
2025-06-12 cs.LG
A Systematic Evaluation Protocol of Graph-Derived Signals for Tabular Machine Learning
本文提出一种系统评估协议,用于评估图衍生信号在表格学习中的性能提升,通过统计显著性和鲁棒性分析,识别可靠信号类别并揭示其结构模式。
2026-03-14 cs.AI cs.LG
Proactive Fraud Defense: Machine Learning's Evolving Role in Protecting Against Online Fraud
University of Central Arkansas(中阿肯色大学)
本文分析 Random Forest、Neural Networks、Gradient Boosting 等模型,论证机器学习可实时识别复杂欺诈模式并持续适应新型攻击,从而推动在线欺诈防御由被动规则响应转向主动预防。
2024-10-26 cs.LG
On some studies of Fraud Detection Pipeline and related issues from the scope of Ensemble Learning and Graph-based Learning
John von Neumann Institute(约翰·冯·诺依曼研究所)
英国反欺诈慈善机构欺诈咨询小组(FAP)在2016年的评估中估计,欺诈的商业成本为1440亿英镑,而个人成本为97亿英镑。银行业、保险业、制造业和政府是受欺诈活动影响最普遍的行业。设计一个有效的欺诈检测系统可以避免损失的钱,但是,建立这个系统是具有挑战性的,由于许多困难的问题,例如不平衡的数据,计算成本等,在过去的三十年中,有各种研究涉及到欺诈检测,但没有协议什么是最好的方法来建立欺诈检测系统。在这篇论文中,我们的目标是回答一些问题,如i)如何建立一个简单有效的欺诈检测系统,不仅易于实现,而且提供可靠的结果,我们提出的欺诈检测管道是一个潜在的骨干系统,易于扩展或升级,ii)何时更新我们系统中的模型(并保持精度稳定)以降低更新过程的成本,iii)如何处理大数据分类问题中的极端不平衡,例如欺诈检测,因为这是两个困难问题之间的差距,iv)进一步,如何应用基于图的半监督学习来检测欺诈交易。
2022-05-10 cs.LG
Cost-sensitive Semi-supervised Classification for Fraud Applications
University of Regina(里贾纳大学)
本研究探讨成本敏感学习(CSL)在欺诈检测领域,以减少欺诈类的不正确的预测,并提高其准确性。值得注意的是,我们专注于具有挑战性的检测,因为骗子和合法投标人的行为是相似的。我们在半监督分类(SSC)框架内调查CSL,以解决标记欺诈数据的稀缺性。本文首次尝试将CSL与SSC相结合用于欺诈检测。我们采用元CSL方法来管理误分类错误的成本,而SSC算法是用不平衡数据训练的。使用一个实际的shill投标数据集,我们评估了CSL和SSC的几个混合模型的性能,然后统计比较它们的误分类错误率和准确率。最有效的CSL+SSC模式能够检测到99%的欺诈者,并且总成本最低。
2020-12-21 cs.LG
Financial Fraud Detection: A Comparative Study of Quantum Machine Learning Models
Hassan II University of Casablanca(卡萨布兰卡哈桑二世大学);Zaiku Group Ltd(Zaiku集团有限公司);University of the Witwatersrand(威特沃特斯兰德大学)
本研究比较了四种量子机器学习模型在金融欺诈检测中的性能,发现Quantum Support Vector Classifier模型表现最佳,F1分数达0.98,为QML在金融应用中的潜力提供了新见解。
2023-08-09 cs.LG q-fin.GN 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
Uncovering Download Fraud Activities in Mobile App Markets
University of Illinois at Chicago(伊利诺伊大学芝加哥分校);University of Rochester(罗切斯特大学);Huawei(华为);Tsinghua University(清华大学)
下载欺诈是移动应用市场中普遍存在的威胁,欺诈者通过各种作弊方法操纵应用的下载数量。购买的虚假下载会误导推荐和搜索算法,进一步导致App市场的用户体验不佳。在本文中,我们调查下载欺诈问题的基础上,一家公司的应用程序市场,这是最流行的Android应用程序市场之一。我们在App Market上发布蜜罐应用程序,并从欺诈者代理处购买虚假下载,以跟踪野外的欺诈活动。我们根据与诈骗分子的互动,将下载诈骗行为按照其意图分为三种:提升前端下载量、优化App搜索排名、提升用户获取和留存率。针对以优化App搜索排名为目的的下载欺诈,我们基于数十亿下载数据,选择、评估并验证了识别虚假下载的几个特征。为了全面了解下载欺诈,我们进一步收集了应用营销人员,欺诈机构和市场运营商对下载欺诈的立场。以下分析和建议为如何减少应用市场和其他社交平台中的下载欺诈提供了思路。据我们所知,这是第一个调查移动应用市场下载欺诈问题的工作。
2020-03-17 cs.CR cs.LG
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
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
Evaluating Fairness in Transaction Fraud Models: Fairness Metrics, Bias Audits, and Challenges
University of Cambridge(剑桥大学)
本文首次利用公开合成数据集审计交易欺诈模型的算法偏见,揭示类别不平衡、服务质量与欺诈防护指标中的偏见及移除敏感属性失效等问题。
2024-09-06 cs.LG
Applying support vector data description for fraud detection
University of Birjand(比尔詹德大学);University of New Brunswick(新不伦瑞克大学)
欺诈检测是一个重要的主题,适用于各种企业,如银行和金融部门,保险,政府机构,执法部门等。近年来,欺诈行为显著增加,使欺诈检测成为一个重要的研究课题。欺诈检测的主要挑战之一是获取欺诈样本,这是一项复杂且具有挑战性的任务。为了应对这一挑战,我们采用单类分类方法,如SVDD,它不需要欺诈样本进行训练。此外,我们提出了我们的算法REDBSCAN,这是DBSCAN的扩展,以减少样本的数量,并选择那些保持数据的形状。实验结果表明,该方法在检测性能和速度上都有较大的提高。
2020-05-31 cs.CR cs.LG
Financial Crime & Fraud Detection Using Graph Computing: Application Considerations & Outlook
Columbia University(哥伦比亚大学);University of Alabama in Huntsville(阿拉巴马大学亨茨维尔分校);Georgia Institute of Technology(佐治亚理工学院)
近年来,数字支付的空前增长推动了欺诈和金融犯罪的相应变化。在这种新的环境下,传统的欺诈检测方法(如基于规则的引擎)在很大程度上变得无效。使用图计算原理的AI和机器学习解决方案已经引起了极大的兴趣。图神经网络和新兴的自适应解决方案为欺诈和金融犯罪检测的未来提供了引人注目的机会。然而,在金融事务处理系统中实现基于图的解决方案带来了许多障碍和应用考虑。在本文中,我们概述了金融犯罪领域的最新趋势,并讨论了当前和新兴图形解决方案面临的实施困难。我们认为,应用需求和实施挑战提供了关键的见解,在开发有效的解决方案。
2021-03-02 cs.LG
A Label-Free Heterophily-Guided Approach for Unsupervised Graph Fraud Detection
Griffith University(格里菲斯大学);Monash University(莫纳什大学);The University of Adelaide(阿德莱德大学)
针对无监督图欺诈检测中无标签难以捕捉异质性模式的问题,提出含异质性估计与对齐检测的HUGE方法,通过HALO无标签度量和MLP-GNN联合架构实现更优的检测效果与鲁棒性。
2025-03-20 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
FRAUD-RLA: A new reinforcement learning adversarial attack against credit card fraud detection
本文提出FRAUD-RLA攻击模型,通过强化学习绕过分类器,优化探索与利用平衡,以更少的知识实现有效欺诈检测攻击。
2025-02-04 cs.AI 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
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
DFraud3- Multi-Component Fraud Detection freeof Cold-start
University of Western Australia(西澳大学)
虚假评论检测是近年来的一个研究热点。冷启动是一个特别新但重要的问题,涉及检测系统无法识别新用户的真实性。最先进的解决方案采用翻译知识图谱嵌入方法(transE)来对审查系统的组件的交互进行建模。然而,这些方法受到处理N-1关系的TransE的限制和单个分类任务的狭窄范围的影响,即,只检测骗子。在本文中,我们模型的审查系统作为一个异构的信息网络(HIN),使一个唯一的表示,每个组件和执行图归纳学习的审查数据,通过聚集附近的节点的功能。具有图形归纳的HIN有助于解决伪装问题(具有真实评论的欺诈者),当其与冷启动结合时,该伪装问题已被证明更为严重,即,新的骗子与真正的第一次审查。在这项研究中,而不是只关注一个组件,检测欺诈评论或欺诈用户(欺诈者),矢量表示学习每个组件,使多组件分类。换句话说,我们能够检测欺诈评论,欺诈者和欺诈目标项目,因此我们的方法名称为DFraud 3。DFraud 3在Yelp上展示了13%的准确性。
2020-06-11 cs.LG cs.SI
Unsupervised Detection of Fraudulent Transactions in E-commerce Using Contrastive Learning
Columbia University(哥伦比亚大学);New York University(纽约大学);University of Pennsylvania(宾夕法尼亚大学);Georgia Institute of Technology(佐治亚理工学院);University of Michigan(密歇根大学)
针对电商欺诈检测标注数据稀缺、传统方法适配性差的问题,提出基于SimCLR的无监督欺诈检测算法,在eBay数据集上多项指标优于传统无监督方法,具备广阔应用前景。
2025-03-24 cs.LG
Can LLMs Find Fraudsters? Multi-level LLM Enhanced Graph Fraud Detection
Central South University(中南大学);Hongkong University of Science and Technology (Guangzhou)(香港科技大学(广州))
针对现有图欺诈检测方法忽略原始文本语义的问题,提出包含类型级与关系级增强器的多层次LLM增强框架MLED,在四个真实数据集上取得了最优性能,可作为通用框架适配现有方法。
2025-10-02 cs.AI cs.LG
Application of Deep Reinforcement Learning to Payment Fraud
AI Garage, Mastercard(万事达卡人工智能车库)
如今消费者可以选择的各种数字支付方式是过去十年电子商务交易的关键驱动力。不幸的是,这也导致了网络犯罪分子和欺诈者不断通过部署越来越复杂的欺诈攻击来寻找这些系统中的漏洞。典型的欺诈检测系统采用标准的监督学习方法,其中重点是最大化欺诈召回率。然而,我们认为,这样的配方可能会导致次优的解决方案。这些欺诈模型的设计要求要求,他们是强大的数据中的高级不平衡,自适应欺诈模式的变化,保持欺诈率和下降率之间的平衡,以最大限度地提高收入,并服从异步反馈,因为通常有一个显着的滞后之间的交易和欺诈实现。为了实现这一点,我们制定欺诈检测作为一个顺序的决策问题,包括在模型中的奖励函数的形式的效用最大化。历史下降率和欺诈率定义了系统的状态,具有由批准或拒绝交易组成的二元动作空间。在这项研究中,我们主要关注效用最大化,并为此探索不同的奖励函数。使用深度Q学习对两个公开的欺诈数据集评估了所提出的强化学习系统的性能,并与不同的分类器进行了比较。我们打算在今后的工作中解决其余问题。
2021-12-08 cs.AI cs.LG
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
Deep Q-Network-based Adaptive Alert Threshold Selection Policy for Payment Fraud Systems in Retail Banking
University of Alabama in Huntsville(阿拉巴马大学亨茨维尔分校);Columbia University(哥伦比亚大学)
机器学习模型已广泛应用于欺诈检测系统中。大多数研究和开发工作都集中在提高欺诈评分模型的性能上。然而,下游欺诈警报系统仍然限制到没有模型采用,并且依赖于手动步骤。警报系统广泛应用于零售银行的所有支付渠道,在整个欺诈检测过程中发挥着重要作用。当前的欺诈检测系统由于无法考虑警报处理能力而导致大量警报被丢弃。理想情况下,警报阈值选择使系统能够最大限度地检测欺诈,同时平衡上游欺诈分数和警报处理团队的可用带宽。然而,在实践中,为了简单而使用的固定阈值不具有这种能力。在本文中,我们提出了一个增强的阈值选择策略的欺诈警报系统。所提出的方法将阈值选择公式化为顺序决策问题,并使用基于深度Q网络的强化学习。实验结果表明,这种自适应方法优于目前的静态解决方案,减少欺诈损失,以及提高警报系统的运行效率。
2020-10-21 cs.AI cs.LG
Bayesian and Dempster-Shafer models for combining multiple sources of evidence in a fraud detection system
Lusis
结合不同来源的证据可以通过贝叶斯或Dempster-Shafer方法来实现。第一个需要先验和似然的估计,而第二个只需要后验概率的估计,并使推理与不确定的信息,由于不精确的来源和它们之间的冲突程度。本文介绍了这两种方法,以及如何将它们应用于估计的全球分数的背景下,欺诈检测。
2021-04-15 cs.LG
The Many Faces of Link Fraud
Carnegie Mellon University(卡内基梅隆大学);Google Research(谷歌研究院)
过去大多数关于社交网络链接欺诈检测的工作都试图将真正的用户与欺诈者分开,隐含地假设只有一种类型的欺诈行为。但这种假设是否正确?而且,无论是哪种情况,这种欺诈行为的特征是什么?在这项工作中,我们设置了蜜罐(“虚拟”社交网络帐户),并购买假追随者(经过IRB的仔细批准)。我们报告了这些行为的迹象,包括本地网络连接的异常,帐户属性以及欺诈提供商之间的相似性和差异。最有价值的是,我们发现并描述了几种类型的欺诈行为。我们讨论了如何在实践中利用我们的见解,通过工程强大的基于熵的功能,并展示高分类精度。我们的贡献是(a)仪器:我们详细介绍了我们的实验设置和精心设计的数据汇集过程,以在遵守API速率限制的情况下收集Twitter数据,(b)对欺诈多模态的观察:我们分析了我们的蜜罐欺诈生态系统,并对这些欺诈类型的多方面行为提供了令人惊讶的见解,以及(c)功能:我们提出了新的功能,使强大的(>0.95精度/召回)区分力的地面真相Twitter数据。
2017-09-11 cs.LG cs.SI
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 - 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
Impact of the composition of feature extraction and class sampling in medicare fraud detection
Indian Institute of Information Technology Allahabad(印度阿拉哈巴德信息技术学院);Shiksha ‘O’ Anusandhan(悉克沙奥阿努桑德汉大学)
随着医疗保健的重要方面,健康保险已成为减少医疗费用的重要计划。在此之后,由于保险增加,医疗保健行业的欺诈活动显著增加,欺诈已成为医疗费用上升的重要因素,尽管可以使用欺诈检测技术减轻其影响。为了检测欺诈,使用了机器学习技术。本研究利用美国联邦政府医疗补助与医疗保险服务中心(CMS)发布的“医疗保险D部分”保险索赔,开发诈欺侦测系统。将机器学习算法应用于类别不平衡的高维医疗数据集是一项具有挑战性的任务。为了应对这些挑战,本工作的目标是在数据采样之后进行特征提取,然后应用各种分类算法,以获得更好的性能。特征提取是一种降维方法,它将属性转换为实际属性的线性或非线性组合,生成更小和更多样化的属性集,从而降低维度。数据抽样通常用于解决类别不平衡问题,方法是扩大少数类别的频率或减少多数类别的频率,以获得两类近似相等的出现次数。所提出的方法是通过标准的性能指标进行评估。因此,为了有效地检测欺诈,本研究应用自动编码器作为特征提取技术,合成少数过采样技术(SMOTE)作为数据采样技术,以及各种基于梯度提升的决策树分类器作为分类算法。实验结果表明,LightGBM分类器上的自编码器和SMOTE的组合取得了最好的结果。
2022-06-28 cs.LG
A Survey on Graph Neural Networks for Fraud Detection in Ride Hailing Platforms
本文综述了图神经网络在网约车平台欺诈检测中的应用,分析了不同模型的效果,探讨了类别不平衡和欺诈伪装问题,并提出了改进欺诈检测策略的方向。
2025-12-29 cs.AI 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
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
Evi-VN: Hard Region Guided Virtual Node Evidence Injection for GNN-Based Fraud Detection
The Hong Kong Polytechnic University(香港理工大学)
Evi-VN是首个用特征隔离证据链纠正GNN共享难区域的图欺诈检测框架,通过虚拟类节点选择性注入异构证据,可增强各类GNN,在多欺诈任务上验证了优势。
2026-10-09 cs.LG
Fraud Type Decomposition and the Observation-Mechanism Taxonomy:Class-Specific Detection Limits in Payment Networks
本文通过引入观测机制分类将欺诈分为五类,证明按类别分别估计欺诈率并聚合优于整体估计,并推导了每类检测的理论约束。
2026-05-29 cs.LG stat.ML
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
Fraud Dataset Benchmark and Applications
Amazon(亚马逊)
本文提出欺诈数据集基准 FDB,整合多种公开欺诈检测任务并提供标准化数据加载与划分 API,展示了其在特征工程、监督学习比较、标签噪声去除、类别不平衡处理和半监督学习等方向的应用价值。
2023-09-22 cs.CR cs.LG stat.ML