基于混合深度学习的金融欺诈检测：面向序列与异常模式的专家混合方法
密码学与安全
2025-04-08 v1 机器学习
摘要
由于欺诈行为的动态性和对抗性，金融欺诈检测仍然是一个关键挑战。随着欺诈者不断演变其策略，检测系统必须结合鲁棒性、适应性和精确性。本研究提出了一种用于信用卡欺诈检测的混合架构，该架构将专家混合（MoE）框架与循环神经网络（RNN）、Transformer编码器和自编码器相结合。每个专家模块贡献一项专门能力：RNN捕获序列行为，Transformer提取高阶特征交互，自编码器通过重构损失检测异常。MoE框架在专家之间动态分配预测责任，实现自适应和上下文敏感的决策。在模拟真实交易模式和欺诈类型的高保真合成数据集上训练后，该混合模型达到了98.7%的准确率、94.3%的精确率和91.5%的召回率，优于独立模型和经典机器学习基线。自编码器组件显著增强了系统识别新兴欺诈策略和非典型行为的能力。除了技术性能外，该模型还有助于更广泛的金融治理和犯罪预防工作。它支持反洗钱（AML）和了解你的客户（KYC）协议的法规合规，并通过将AI作为金融生态系统中的有能力的守护者来操作，与日常活动理论保持一致。所提出的混合系统提供了一种可扩展、模块化且法规感知的方法来检测日益复杂的欺诈模式，既促进了智能系统的进步，也加强了机构欺诈防御基础设施。
引用
@article{arxiv.2504.03750,
title = {Detecting Financial Fraud with Hybrid Deep Learning: A Mix-of-Experts Approach to Sequential and Anomalous Patterns},
author = {Diego Vallarino},
journal= {arXiv preprint arXiv:2504.03750},
year = {2025}
}