基于可解释人工智能与因果推断的 ATM 欺诈检测
机器学习
2022-11-28 v1 人工智能
摘要
在金融领域，赢得客户信任并为其提供共情至关重要。欺诈行为的频繁发生会影响这两个因素。因此，金融机构和银行必须高度重视以缓解此类问题。其中，ATM 欺诈交易是银行面临的常见问题。欺诈数据集涉及的关键挑战如下：数据集高度不平衡、欺诈模式不断变化等。由于欺诈活动稀少，欺诈检测可被表述为二分类问题或单类分类（OCC）问题。在本研究中，我们在一个收集自印度的 ATM 交易数据集上处理了这些技术。在二分类中，我们考察了多种过采样技术的有效性，如合成少数类过采样技术（SMOTE）及其变体、生成对抗网络（GAN）以实现过采样。此外，我们采用了多种机器学习技术，即朴素贝叶斯（NB）、逻辑回归（LR）、支持向量机（SVM）、决策树（DT）、随机森林（RF）、梯度提升树（GBT）、多层感知机（MLP）。GBT 以 0.963 的 AUC 优于其余模型，DT 以 0.958 的 AUC 位居第二。若考虑复杂度和可解释性，DT 为胜出者。在所有过采样方法中，SMOTE 及其变体表现更优。在 OCC 中，IForest 取得 0.959 的 CR，OCSVM 以 0.947 的 CR 位列第二。进一步，我们将可解释人工智能（XAI）与因果推断（CI）纳入欺诈检测框架，并通过多种分析加以研究。
引用
@article{arxiv.2211.10595,
title = {Explainable Artificial Intelligence and Causal Inference based ATM Fraud Detection},
author = {Yelleti Vivek and Vadlamani Ravi and Abhay Anand Mane and Laveti Ramesh Naidu},
journal= {arXiv preprint arXiv:2211.10595},
year = {2022}
}
备注
34 pages; 21 Figures; 8 Tables