[论文解读] 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 86

一句话总结

本文从数据和方法论两个角度全面综述了信用卡欺诈检测技术，将方法分类为监督式（滥用检测）和无监督式（异常检测）框架。评估了数据类型、基准数据集、评估指标，并指出了开放的研究挑战，为欺诈检测及金融领域机器学习应用的研究人员提供了结构化的参考。

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.

研究动机与目标

• 分析由于欺诈模式不断演变和数据不平衡带来的信用卡欺诈检测中的挑战与复杂性。
• 系统性地回顾最先进的欺诈检测技术，将其分类为滥用检测（监督学习）和异常检测（无监督学习）方法。
• 评估不同技术在处理信用卡交易记录中常见的数值型和类别型数据方面的性能。
• 整理并对比文献中使用的实际数据集与合成数据集，识别关键属性和数据特征。
• 总结标准评估指标，并突出开放性问题，以指导该领域的未来研究。

提出的方法

• 将欺诈检测技术主要分为两类：滥用检测（监督学习）和异常检测（无监督学习）。
• 分析各种机器学习算法在处理信用卡交易数据中常见的混合数据类型（数值型与类别型）时的适用性。
• 调查并整理公开可用的欺诈检测研究数据集，区分真实世界数据与合成数据来源。
• 提取并总结常用的评估标准，如准确率、精确率、召回率、F1-score 和 AUC-ROC，用于基准测试欺诈检测模型。
• 基于文献中的实证研究结果，对每种检测方法的优势与局限性进行对比分析。
• 识别出尚未解决的挑战，如数据不平衡、概念漂移以及模型可解释性，作为未来研究的关键开放问题。

实验结果

研究问题

• RQ1 使用机器学习检测信用卡欺诈时，主要的技术与数据相关挑战是什么？
• RQ2 监督式（滥用检测）与无监督式（异常检测）欺诈检测技术在性能和适用性上有哪些差异？
• RQ3 现有欺诈检测模型对哪种数据类型（数值型或类别型）的处理更有效？其局限性是什么？
• RQ4 欺诈检测研究中最常用的数据集有哪些？实际数据集与合成数据集在实用性与真实性方面如何比较？
• RQ5 文献中标准的评估指标有哪些？它们如何影响对模型性能的解读？

主要发现

• 监督式方法（如随机森林和XGBoost）在使用标注欺诈数据进行训练时，通常在不平衡数据集上表现出更高的精确率和召回率。
• 无监督异常检测技术（如自编码器和孤立森林）在检测新型欺诈模式方面表现有效，但通常存在较高的假阳性率。
• IEEE-KKTT 和 UCI信用卡欺诈数据集是广泛使用的基准数据集，其中后者是评估模型性能的基准标准。
• 由于欺诈检测中存在极端类别不平衡，F1-score 和 AUC-ROC 被持续优先采用，而非准确率。
• 本研究识别出数据不平衡、缺乏标准化评估协议以及模型可解释性是当前研究中的主要未解难题。
• 现有检测框架在实时处理能力以及对概念漂移的鲁棒性方面存在显著缺口。