[论文解读] A data mining approach using transaction patterns for card fraud detection

Chae Chang Lee, Ji Won Yoon|arXiv (Cornell University)|Jun 24, 2013

Imbalanced Data Classification Techniques被引用 5

一句话总结

本文提出了一种用于信用卡欺诈检测的数据挖掘方法，通过自回归模型和高斯过程，随时间学习个体交易模式——特别是消费金额和地理位置。通过根据用户特定行为动态调整阈值，该方法减少了误报和漏报，相较于固定阈值方法，显著提升了检测准确率，尤其在大额合法交易后不久发生的中小金额欺诈交易中表现更优。

ABSTRACT

Credit and debit cards, rather than actual money, have become the universal payment means. With these cards, it has become possible to buy expensive items easily without an additional complex authentication procedure being conducted. However, card transaction features are targeted by criminals seeking to use a lost or stolen card and looking for a chance to replicate it. Accidents, whether caused by the negligence of users or not, that lead to a transaction being performed by a criminal rather than the authorized card user should be prevented. Therefore, card companies are providing their clients with a variety of policies and standards to cover this eventuality. Card companies must therefore be able to distinguish between the rightful user and illegal users according to these standards in order to minimize damage resulting from unauthorized transactions. However, there is a limit to applying the same fixed standards to all card users, since the transaction patterns of people differ and even individuals' transaction patterns may change frequently due to changes income and consumption preference. Therefore, when only a specific threshold is applied, it is difficult to distinguish a fraudulent card transaction from a legitimate one. In this paper, we present methods for learning the individual patterns of a card user's transaction amount and the region in which he or she uses the card, for a given period, and for determining whether the specified transaction is allowable in accordance with these learned user transaction patterns. Then, we classify legitimate transactions and fraudulent transactions by setting thresholds based on the learned individual patterns.

研究动机与目标

• 解决固定阈值欺诈检测系统无法考虑个体消费行为和地理模式的局限性。
• 开发一种动态欺诈检测模型，能够随时间学习并适应每位用户的独特交易模式。
• 通过将交易金额和位置模式整合到检测机制中，减少误报和漏报。
• 提升对欺诈交易的早期检测能力，特别是针对在大额合法交易后不久被克隆或盗用的卡片。
• 提供一种个性化、用户特定的欺诈检测框架，优于静态规则系统。

提出的方法

• 该方法使用自回归（AR）模型，基于用户的消费历史模式预测下一笔交易的金额。
• 采用高斯过程（GPs）对交易金额预测中的不确定性进行建模，并为每笔交易计算置信度分数。
• 将交易地点与金额一并分析，利用地理位置模式检测连续交易之间的空间接近性异常。
• 基于学习到的用户行为应用动态阈值机制，置信度分数低于阈值的交易被视为潜在欺诈。
• 系统按顺序评估交易，逐步更新预测结果和置信度分数，以检测与正常行为的偏离。
• 该方法在真实交易数据集上进行测试，性能通过误报率和漏报率进行衡量。

实验结果

研究问题

• RQ1 与固定阈值方法相比，一种学习个体交易模式的数据挖掘方法是否能提升欺诈检测准确率？
• RQ2 交易金额预测与地理模式分析的结合在识别欺诈交易方面的有效性如何？
• RQ3 基于用户特定行为的动态阈值在多大程度上能减少误报和漏报错误？
• RQ4 顺序交易模式，特别是大额合法交易后的模式，对欺诈检测性能有何影响？
• RQ5 高斯过程的置信度分数是否能有效标记金额较小或中等的欺诈交易？

主要发现

• 所提出的方法显著降低了在大额合法交易后不久发生的欺诈交易的漏报错误，尤其当测试窗口缩短至两笔交易时效果更明显。
• 在欺诈序列中的第一笔和第二笔交易的置信度分数始终低于10，表明将测试窗口限制为两笔交易可有效提升对早期欺诈的检测能力。
• 当小额交易紧随大额合法交易之后时，出现了误报，这是由于预测金额被向下调整所致；可通过调整置信度阈值加以缓解。
• 当欺诈交易在金额和位置模式上均与用户正常行为偏离时，模型表现出更高的敏感性，尤其在地理位置与用户常规活动区域不一致时。
• 使用高斯过程实现了可靠的置信度评分，较低的分数表示欺诈可能性更高，尤其在欺诈序列的早期阶段表现更佳。
• 研究发现，在实验中将欺诈性位置随机分配至合法区域可能低估了欺诈在y轴附近的聚集现象，提示现实世界中的欺诈行为可能更容易通过此类模式被检测到。