Itsy Bitsy SpiderNet：用于欺诈检测的完全连接残差网络
机器学习
2021-09-30 v2 密码学与安全
摘要
随着高科技发展，欺诈范围不断扩大，导致全球每年数十亿美元损失。预防性保护措施随时间推移变得过时且脆弱，因此需要有效的检测工具。本文提出一种称为SpiderNet的卷积神经网络架构，旨在解决欺诈检测问题。我们注意到神经网络中池化与卷积层原理与反欺诈分析师开展调查的方式极为相似。此外，神经网络中使用的跳跃连接使得在反欺诈模型中利用不同强度的特征成为可能。我们的实验表明，相较于Random Forest及针对反欺诈建模问题调整的1D-CNN、1D-DenseNet、F-DenseNet神经网络，SpiderNet提供了更优质量。我们还提出了称为B-tests与W-tests的欺诈特征工程新方法，其将本福特定律(Benford's Law)的概念推广用于欺诈异常检测。结果显示B-tests与W-tests显著提升了反欺诈模型质量。SpiderNet代码见 https://github.com/aasmirnova24/SpiderNet
引用
@article{arxiv.2105.08120,
title = {Itsy Bitsy SpiderNet: Fully Connected Residual Network for Fraud Detection},
author = {Sergey Afanasiev and Anastasiya Smirnova and Diana Kotereva},
journal= {arXiv preprint arXiv:2105.08120},
year = {2021}
}
备注
12 pages, 10 figures, 4 tables