通过 Transformer 增强的 GAN 过采样改进信用卡欺诈检测

信用卡欺诈检测是金融安全的一个严峻问题，因为交易数据集高度倾斜，欺诈案例仅占极小部分。使用最流行的传统过采样方法（如合成少数类过采样技术（SMOTE））来平衡数据集，通常会产生过于简单的合成样本，无法直接适用于复杂的欺诈模式。近期包含条件表格生成对抗网络（CTGAN）和表格变分自编码器（TVAE）的工业界进展在表格数据合成方面展现了更高的效率，但所有这些模型在高维依赖建模方面仍存在问题。现在我们将展示我们的混合方法，其中我们使用带有 Transformer 编码器块的生成对抗网络（GAN）来生成逼真的欺诈交易样本。GAN 架构允许以对抗方式训练逼真的生成器，而 Transformer 使模型能够通过自注意力学习丰富的特征交互。这种混合策略通过生成多种高质量的合成少数类样本，克服了 SMOTE、CTGAN 和 TVAE 的局限性。我们在公开的信用卡欺诈检测数据集上测试了我们的算法，并将其与传统的和生成式的重采样策略进行了比较，使用了多种分类器，如逻辑回归（LR）、随机森林（RF）、极端梯度提升和支撑向量机（SVM）。研究结果表明，我们基于 Transformer 的 GAN 在召回率、F1 分数和受试者操作特征曲线下面积（AUC）方面取得了显著提升，这表明它在克服欺诈检测任务中固有的严重类别不平衡方面是有效的。