FraudJudger：面向真实世界数据的数字支付平台欺诈检测
密码学与安全
2019-09-06 v1 机器学习
摘要
电子支付平台上的自动化欺诈行为检测是一个棘手问题。欺诈用户常利用支付平台的漏洞和用户的疏忽来骗取资金、窃取密码、进行洗钱等，给数字支付平台与用户造成巨大损失。实践中欺诈检测面临诸多挑战。传统欺诈检测方法需要大规模人工标注数据集，而现实中难以获取。人工标注数据耗费巨大人力。此外，欺诈用户的持续快速演化使得基于现有检测规则难以发现新欺诈模式。在我们的工作中，我们提出一种面向真实世界数据的检测范式，可检测欺诈用户并自动提升其检测能力。基于该新范式，我们设计了一种新颖的欺诈检测模型 FraudJudger，用于分析数字支付平台上的用户行为，并以较少训练标注数据检测欺诈用户。FraudJudger 可借助对抗自编码器（Adversarial Autoencoder, AAE）从未标注数据中学习用户的潜在表示。此外，FraudJudger 可通过聚类分析从未知用户中发现新欺诈模式。我们的实验基于真实世界电子支付数据集。与其他知名欺诈检测方法相比，FraudJudger 仅用 10% 标注数据即可取得更优检测性能。
引用
@article{arxiv.1909.02398,
title = {FraudJudger: Real-World Data Oriented Fraud Detection on Digital Payment Platforms},
author = {Ruoyu Deng and Na Ruan},
journal= {arXiv preprint arXiv:1909.02398},
year = {2019}
}