[论文解读] One-Class Adversarial Nets for Fraud Detection

Panpan Zheng, Shuhan Yuan+3 more|arXiv (Cornell University)|Mar 5, 2018

Imbalanced Data Classification Techniques参考文献 44被引用 11

一句话总结

本文提出了一种名为单类对抗网络（OCAN）的新颖欺诈检测框架，仅使用良性用户数据即可检测恶意用户。OCAN采用LSTM自编码器从用户序列化在线行为中学习用户表征，随后引入一种互补生成对抗网络（GAN），其中生成器在良性行为的低密度区域生成对抗性样本，判别器则学习区分真实良性用户与这些互补样本——在单类欺诈检测基准上实现了最先进性能。

ABSTRACT

Many online applications, such as online social networks or knowledge bases, are often attacked by malicious users who commit different types of actions such as vandalism on Wikipedia or fraudulent reviews on eBay. Currently, most of the fraud detection approaches require a training dataset that contains records of both benign and malicious users. However, in practice, there are often no or very few records of malicious users. In this paper, we develop one-class adversarial nets (OCAN) for fraud detection using training data with only benign users. OCAN first uses LSTM-Autoencoder to learn the representations of benign users from their sequences of online activities. It then detects malicious users by training a discriminator with a complementary GAN model that is different from the regular GAN model. Experimental results show that our OCAN outperforms the state-of-the-art one-class classification models and achieves comparable performance with the latest multi-source LSTM model that requires both benign and malicious users in the training phase.

研究动机与目标

• 解决在训练期间仅能获取良性用户数据时的欺诈检测挑战。
• 开发一种生成模型，可在无需标注恶意样本的情况下模拟恶意用户行为。
• 通过利用互补样本生成而非标准GAN训练，在单类设置下提升检测准确率。
• 通过建模用户活动序列，实现动态、序列化的欺诈检测。

提出的方法

• 利用LSTM自编码器将用户序列编码为良性用户的紧凑、低维表征。
• 提出一种互补GAN框架，其中生成器生成与良性用户表征互补的样本，即位于低密度区域的样本。
• 训练判别器以区分真实良性用户与生成的互补样本，使其能够将异常值识别为潜在的恶意用户。
• 将训练好的判别器用作最终分类器，基于用户活动序列预测新用户是否为良性或欺诈。
• 将模型应用于序列数据（如编辑历史）和数值型交易数据，并相应调整自编码器结构。
• 采用聚类与质心距离分析，验证恶意用户在表征空间中与良性用户被有效分离。

实验结果

研究问题

• RQ1 当仅能获取良性用户数据时，生成模型能否有效模拟恶意用户行为？
• RQ2 在单类场景下，潜在空间中的互补样本生成相比标准GAN能否显著提升欺诈检测性能？
• RQ3 OCAN能否在无需训练阶段标注恶意样本的情况下，实现与监督模型（如M-LSTM）相当的性能？
• RQ4 OCAN在不同类型的欺诈（如破坏行为与信用卡欺诈）上，对多样化数据类型是否具备良好的泛化能力？
• RQ5 OCAN在典型现实世界欺诈检测中常见的类别不平衡数据集上是否仍能保持高性能？

主要发现

• OCAN在维基百科破坏行为检测与信用卡欺诈检测数据集上，均优于当前最先进的单类分类模型。
• 在维基百科数据集上，OCAN的F1得分达到0.886，AUC为0.943，超越了现有单类方法。
• 在信用卡欺诈数据集上，OCAN使用交易表征实现了0.9750的AUC，优于所有基线模型。
• OCAN在类别不平衡数据上保持了强劲性能，使用原始特征时AUC为0.9645，使用学习表征时AUC为0.9750。
• 通过建模序列化编辑模式，OCAN展现出对破坏者的早期检测能力，其准确率与需要良性和恶意训练数据的M-LSTM模型相当。
• 距离分析显示，真实良性用户质心与破坏者之间的距离为3.888，而与互补样本的距离为3.6346，证实了判别器有效分离恶意用户的能力。