[論文レビュー] A Survey of Credit Card Fraud Detection Techniques: Data and Technique Oriented Perspective

SamanehSorournejad, Zahra Zojaji+2 more|arXiv (Cornell University)|Nov 19, 2016

Imbalanced Data Classification Techniques参考文献 45被引用数 86

ひとこと要約

本論文は、データおよび手法的視点からクレジットカード不正検出技術について包括的なサーベイを提供し、監視学習（不正使用）と非監視学習（異常検出）の枠組みに分類してアプローチを提示する。データタイプ、ベンチマークデータセット、評価指標を評価し、未解決の研究的課題を特定し、不正検出および金融分野における機械学習応用分野の研究者にとって構造的な参照を提供する。

ABSTRACT

Credit card plays a very important rule in today's economy. It becomes an unavoidable part of household, business and global activities. Although using credit cards provides enormous benefits when used carefully and responsibly,significant credit and financial damages may be caused by fraudulent activities. Many techniques have been proposed to confront the growth in credit card fraud. However, all of these techniques have the same goal of avoiding the credit card fraud; each one has its own drawbacks, advantages and characteristics. In this paper, after investigating difficulties of credit card fraud detection, we seek to review the state of the art in credit card fraud detection techniques, data sets and evaluation criteria.The advantages and disadvantages of fraud detection methods are enumerated and compared.Furthermore, a classification of mentioned techniques into two main fraud detection approaches, namely, misuses (supervised) and anomaly detection (unsupervised) is presented. Again, a classification of techniques is proposed based on capability to process the numerical and categorical data sets. Different data sets used in literature are then described and grouped into real and synthesized data and the effective and common attributes are extracted for further usage.Moreover, evaluation employed criterions in literature are collected and discussed.Consequently, open issues for credit card fraud detection are explained as guidelines for new researchers.

研究の動機と目的

• 進化する不正パターンと不均衡なデータによるクレジットカード不正検出の課題と複雑さを分析すること。
• 最新の不正検出技術を体系的にレビューし、不正使用（監視学習）と異常検出（非監視学習）のアプローチに分類すること。
• 取引記録に一般的に見られる数値型およびカテゴリカル型データタイプを効果的に処理できる技術の能力を評価すること。
• 文献で使用されている実データおよび合成データセットをリスト化・比較し、主な属性とデータ特性を特定すること。
• 標準的な評価指標を要約し、今後の研究を導くために未解決の問題を強調すること。

提案手法

• 不正検出技術を主に2つのカテゴリに分類すること：不正使用検出（監視学習）と異常検出（非監視学習）。
• クレジットカード取引データに一般的に見られる混合データタイプ（数値型およびカテゴリカル型）を処理するためのさまざまな機械学習アルゴリズムの適性を分析すること。
• 不正検出研究で使用されている公開可能なデータセットを調査・整理し、実世界データと合成データの両方のソースを区別すること。
• 精度、適合率、再現率、F1スコア、AUC-ROCといった共通の評価基準を抽出・要約し、不正検出モデルのベンチマーク評価に用いられる基準を明らかにすること。
• 文献における実証的発見に基づいて、各検出アプローチの利点と制限を比較分析すること。
• データの不均衡、コンセプトドリフト、モデルの解釈可能性といった、今後の研究における主要な未解決課題を特定すること。

実験結果

リサーチクエスチョン

• RQ1 機械学習を用いたクレジットカード不正検出において、主な技術的およびデータ関連の課題は何ですか？
• RQ2 監視学習（不正使用）と非監視学習（異常検出）の不正検出技術は、性能および適用性においてどのように異なりますか？
• RQ3 既存の不正検出モデルが、数値型とカテゴリカル型のどちらのデータタイプをより効果的に処理できており、その制限は何ですか？
• RQ4 不正検出研究で最も一般的に使用されているデータセットは何ですか？また、実データと合成データセットは、実用性と現実性の観点でどのように比較できますか？
• RQ5 文献で標準的に使用されている評価指標は何ですか？また、それらはモデル性能の解釈にどのように影響しますか？

主な発見

• ラベル付き不正データで学習された場合、ランダムフォレストやXGBoostなどの監視学習手法は、不均衡なデータセットにおいて一般的に高い適合率と再現率を達成する。
• 自己符号化オートエンコーダーやアイソレーションフォレストなどの非監視異常検出技術は、新たな不正パターンの検出に有効であるが、しばしば高い偽陽性率を示す。
• IEEE-KKTTとUCIクレジットカード不正検出データセットは、広く使われているベンチマークであり、後者はモデル性能の評価基準として標準的である。
• F1スコアやAUC-ROCといった評価指標は、不正検出における極端なクラス不均衡のため、精度よりも常に優先的に使用されている。
• 本研究では、データの不均衡、標準化された評価プロトコルの欠如、モデルの解釈可能性が、現在の研究における主な未解決課題として特定された。
• 既存の検出フレームワークにおいて、リアルタイム処理能力やコンセプトドリフトに対する耐性の欠如が顕著なギャップとして浮き彫りにされた。