[论文解读] Year-over-Year Developments in Financial Fraud Detection via Deep Learning: A Systematic Literature Review

Yisong Chen, Conghui Zhao+3 more|ArXiv.org|Jan 31, 2025

Imbalanced Data Classification Techniques被引用 5

一句话总结

基于 Kitchenham 的系统综述，关于深度学习在金融欺诈检测中的应用，分析了2019–2024年跨行业、模型、预处理和隐私考量的57项研究。

ABSTRACT

This paper systematically reviews advancements in deep learning (DL) techniques for financial fraud detection, a critical issue in the financial sector. Using the Kitchenham systematic literature review approach, 57 studies published between 2019 and 2024 were analyzed. The review highlights the effectiveness of various deep learning models such as Convolutional Neural Networks, Long Short-Term Memory, and transformers across domains such as credit card transactions, insurance claims, and financial statement audits. Performance metrics such as precision, recall, F1-score, and AUC-ROC were evaluated. Key themes explored include the impact of data privacy frameworks and advancements in feature engineering and data preprocessing. The study emphasizes challenges such as imbalanced datasets, model interpretability, and ethical considerations, alongside opportunities for automation and privacy-preserving techniques such as blockchain integration and Principal Component Analysis. By examining trends over the past five years, this review identifies critical gaps and promising directions for advancing DL applications in financial fraud detection, offering actionable insights for researchers and practitioners.

研究动机与目标

• 评估近年来深度学习在金融欺诈类型上的关注趋势。
• 评估预处理、不平衡数据处理，以及深度学习带来的自动化改进。
• 确定用于欺诈检测的深度学习模型的进展。
• 检查跨行业使用的基准和评估指标及其与数据不平衡的关系。
• 探讨数据隐私、匿名化与法规如何影响深度学习在欺诈检测中的应用。

提出的方法

• 应用 Kitchenham 的系统综述框架来选择和综合研究。
• 使用领域关键字在 PubMed、SSRN、IEEE Xplore、ACM DL、ScienceDirect 和 Scopus 进行检索。
• 筛选原始的、英文、同行评审的基于深度学习的欺诈检测研究，范围为2019–2024。
• 提取关于数据集、模型、预处理、评估指标和隐私考量的结构化数据。
• 使用 Python 库和 VOSviewer 可视化趋势及关键词网络。

Figure 1: Literature Review Methodology

实验结果

研究问题

• RQ1 近年来使用 DL 处理的金融欺诈类型存在哪些趋势？
• RQ2 特征工程、不平衡数据的预处理，以及 DL 下的自动化如何影响性能与检测时长？
• RQ3 针对金融欺诈检测的 DL 模型有哪些进展？
• RQ4 跨行业的基准和评估指标存在哪些趋势？
• RQ5 数据隐私、匿名化和监管规则如何影响 DL 在金融欺诈检测中的应用？

主要发现

• 通过初筛 2,858 条结果，分析了 57 篇高质量论文，筛选后缩小至 427 条，覆盖 2019–2024 年。
• 2019–2021 年 DL 欺诈检测研究呈稳步增长，2022 年起显著增加，2023–2024 年跃升明显。
• 信用卡和银行领域研究活动最大；加密/区块链与支付领域在兴起；税务、抵押/贷款、洗钱研究较少。
• 不平衡数据是普遍挑战；57 篇中有 48 篇报告数据不平衡，促使使用 SMOTE、GANs/VAEs、ADASYN 和高级插补方法。
• 自动化与隐私保护技术（区块链、联邦学习、PCA）正在增加研究，以加速检测并保护数据。
• 使用了广泛的模型，LSTM、MLP、CNN、基于 Transformer 的方法、GNN、GAN、VAE 推动进展；混合模型和领域特定的指标很常见。

Figure 2: Literature Review Methodology