面向零日欺诈检测的双路径生成框架
人工智能
2026-03-17 v1 密码学与安全
摘要
高频率银行环境面临低延迟欺诈检测与GDPR所需监管可解释性之间的关键权衡。传统规则驱动和判别模型在面对零日攻击时难以应对，因为存在极端类别不平衡以及缺乏历史先例。本文提出一种双路径生成框架，将实时异常检测与离线对抗性训练解耦。该架构采用变分自编码器（VAE）建立基于重构误差的合法交易流形，确保推断延迟 <50ms。并行地，异步 Wasserstein GAN with Gradient Penalty（WGAN-GP）合成高熵欺诈情景以压力测试检测边界。关键在于，为解决离散银行数据的不可微问题（如商户类别代码），我们集成 Gumbel-Softmax estimator。进一步，我们引入基于触发器的可解释性机制，其中仅针对高不确定性交易激活 SHAP（Shapley Additive Explanations），在实现实时吞吐量要求的同时，解决了 XAI 的计算成本。
引用
@article{arxiv.2603.13237,
title = {A Dual-Path Generative Framework for Zero-Day Fraud Detection in Banking Systems},
author = {Nasim Abdirahman Ismail and Enis Karaarslan},
journal= {arXiv preprint arXiv:2603.13237},
year = {2026}
}