[论文解读] Credit card fraud detection using machine learning: A survey

Yvan Lucas, Johannes Jurgovsky|arXiv (Cornell University)|Oct 13, 2020

Imbalanced Data Classification Techniques参考文献 72被引用 11

一句话总结

本综述全面概述了用于信用卡欺诈检测的机器学习方法，重点关注类别不平衡、概念漂移和序列交易模式等挑战。它评估了采样、代价敏感学习、基于LSTM的序列建模以及基于计数的异常检测等技术，结论指出在实际应用场景中，特征工程和序列感知模型优于标准方法。

ABSTRACT

Credit card fraud has emerged as major problem in the electronic payment sector. In this survey, we study data-driven credit card fraud detection particularities and several machine learning methods to address each of its intricate challenges with the goal to identify fraudulent transactions that have been issued illegitimately on behalf of the rightful card owner. In particular, we first characterize a typical credit card detection task: the dataset and its attributes, the metric choice along with some methods to handle such unbalanced datasets. These questions are the entry point of every credit card fraud detection problem. Then we focus on dataset shift (sometimes called concept drift), which refers to the fact that the underlying distribution generating the dataset evolves over times: For example, card holders may change their buying habits over seasons and fraudsters may adapt their strategies. This phenomenon may hinder the usage of machine learning methods for real world datasets such as credit card transactions datasets. Afterwards we highlights different approaches used in order to capture the sequential properties of credit card transactions. These approaches range from feature engineering techniques (transactions aggregations for example) to proper sequence modeling methods such as recurrent neural networks (LSTM) or graphical models (hidden markov models).

研究动机与目标

• 提供机器学习在信用卡欺诈检测中应用的系统性概述。
• 解决极端类别不平衡、数据集偏移（概念漂移）以及交易数据中缺乏序列信息等关键挑战。
• 为研究人员和从业者在选择真实世界欺诈检测系统适用技术时提供指导。
• 强调在工业应用中可解释性和性能评估的重要性。

提出的方法

• 采用系统性文献回顾方法，分析数据驱动的欺诈检测方法。
• 使用基于混淆矩阵和参数化指标的性能评估，强调在类别不平衡数据中使用F1值和AUC。
• 应用采样技术（如SMOTE）和基于模型的方法（如代价敏感学习）以应对类别不平衡问题。
• 采用LSTM及其他序列模型捕捉交易序列中的时间模式。
• 通过滑动窗口和似然阈值（如t-STIDE）实现基于计数的异常检测，以评分异常。
• 在基于LSTM的模型中引入自定义距离度量用于异常评分，实现对序列数据的判别性学习。

实验结果

研究问题

• RQ1 类别不平衡和交易分布偏斜在多大程度上影响标准机器学习模型在欺诈检测中的性能？
• RQ2 LSTM等序列建模技术在超越静态交易特征方面，能在多大程度上提升欺诈检测效果？
• RQ3 在实时欺诈检测系统中，如何检测并缓解数据集偏移（概念漂移）？
• RQ4 特征工程在提升信用卡欺诈检测中模型性能和可解释性方面发挥何种作用？
• RQ5 基于计数的方法与基于相似性的方法在检测异常交易子序列方面有何异同？

主要发现

• 尽管LSTM能够捕捉序列模式，但在卡片当面场景中，特征聚合技术的表现优于基于LSTM的序列建模。
• 基于LSTM的模型通过学习交易序列的潜在表示，并测量其与预期行为的偏离程度，实现了有效的异常评分。
• 基于计数的方法（如t-STIDE）通过测量低于似然阈值的窗口比例，提供可解释的异常评分。
• 概念漂移会显著降低模型随时间的性能，因此需要采用在线学习或定期重新训练以维持准确性。
• 采样和代价敏感学习方法在缓解类别不平衡影响方面表现有效，尤其在结合恰当评估指标时效果更佳。
• 可解释性仍是关键挑战，目前在使非专家利益相关者理解模型决策方面进展有限。