本篇博客继续为大家介绍一篇论文,也是关于用卷积神经网络 CNN 来进行信用卡欺诈检测的。
论文信息
论文题目:Credit card fraud detection using convolutional neural networks
作者姓名:Fu K, Cheng D, Tu Y, et al.
会议期刊:International Conference on Neural Information Processing
发表时间:2016
关键词
信用卡欺诈 卷积神经网络 数据不平衡
一、四个问题
1. 文章解决了什么问题?
检测信用卡欺诈。
2. 用什么方法解决?
基于卷积神经网络CNN的框架
3. 有什么效果?
用F1score评估模型的表现,结果优于SVM、 RF、 NN等方法。
4. 存在什么问题?
作者没有提到。
存在的疑惑有:CNN的方法虽然优于SVM等,但是不是最好的?是不是有更好的,但是没有被提及。
二、文章内容
1. Introduction
机器学习的很多方法被可以用来解决信用卡欺诈问题,比如决策树,boolean logic 函数等。但由于一些欺诈交易和合法交易类似,采用传统的机器学习方法有时候不能发现这些欺诈类型的交易。也有采用神经网络或者贝叶斯的方法,但被批评太复杂或过拟合。采用CNN的方法可以发现欺诈交易潜在模式,避免过拟合,降低特征冗余。
特征生成是机器学习的一大挑战,一些研究采用集成方法获得客户消费模型,但不能描述复杂模式。本文基于客户的交易偏好,提出交易熵的方法。将交易数据转换为特征矩阵,按照内在联系和时间序列,用于CNN模型。
用基于成本的抽样方法,从真实欺诈的数据来合成欺诈样本,解决数据不平衡的问题。
2. Methodology
2.1 欺诈检测框架
如图所示,欺诈检测框架由训练和预测两部分组成。
训练部分主要包括四个模块:特征工程(feature engineering),采用方法(sampling methods),特征转换(feature transformation)和基于 CNN 的训练过程(a CNN-based training procedure)。
检测过程包括特征提取(feature extraction),特征转换(feature transformation)和分类模块(classification module)。
2.2 特征工程
Table 1 描述了不同特征类型,前7个是传统的特征,最后一个特征是本文提出的新特征。
提出来的新的特征叫交易熵(trading entropy)。假定在当前交易之前,同一个客户在过去的一段时间的所有交易里,有 K 种不同类型的交易,所有的交易总量为 T o t a l A m o u n t T TotalAmountT TotalAmountT, 第 i i i 种交易的总量为 A m o u n t T i , ( i = 1 , 2 , . . . , K ) AmountT_i, (i = 1, 2, ...,K) AmountTi,(i=1,2,...,K),那么第 i i i种交易类型的占比 p i p_i pi为:
p i = A m o u n t T i T o t a l A m o u n t T p_i = \frac{AmountT_i}{TotalAmountT} pi=TotalAmountTAmountTi
第 i i i 种类型的交易可以被定义为 E n t T EntT