欺诈不仅是稀有：基于因果原型注意力的真实合成过采样方法

检测信用卡欺诈交易仍是一大挑战，due to real-world data中的极端类别不平衡以及细微的模式将欺诈与合法活动区分开来。现有研究常尝试通过生成对抗网络（GAN）、变分自编码器（VAE）或混合生成模型为少数类生成合成样本。然而，这些技术特别是仅应用于少数类数据时，往往导致分类器过于自信，且潜在簇分离性差，最终限制了实际检测性能。本研究提出Causal Prototype Attention Classifier（CPAC），一种可解释的架构，通过基于原型的注意力机制促进class-aware聚类和改进潜在空间结构，辅以VAE-GAN中的encoder，实现更好的簇分离，超越事后样本增强。我们将CPAC增强模型与传统过采样器（如SMOTE）以及最新生成模型进行比较，分别在有无CPAC基于latent分类器的情况下进行评估。结果表明，基于CPAC的classifier-guided latent shaping在性能上显著优于传统方法，实现F1分数93.14%，召回率90.18%，并改善了潜在簇的分离性。进一步的消融研究和可视化分析提供了对classifier-driven representation learning在欺诈检测中优势与局限的深入见解。本工作的代码将在最终提交时发布。