用于欺诈检测的单类对抗网络
机器学习
2018-06-07 v2 人工智能
密码学与安全
摘要
许多在线应用，如在线社交网络或知识库，常受到恶意用户的攻击，他们实施不同类型的行为，例如 Wikipedia 上的破坏行为或 eBay 上的欺诈评论。目前，大多数欺诈检测方法需要一个包含良性与恶意用户记录的训练数据集。然而在实践中，往往没有或极少有恶意用户的记录。本文中，我们开发了单类对抗网络（OCAN）用于欺诈检测，仅使用良性用户的训练数据。OCAN 首先利用 LSTM-Autoencoder 从良性用户的在线活动序列中学习其表示，随后通过训练一个与常规 GAN 模型不同的互补 GAN 模型的判别器来检测恶意用户。实验结果表明，我们的 OCAN 优于最先进的单类分类模型，并达到了最新的多源 LSTM 模型的可比性能，而后者在训练阶段需要良性与恶意用户。
引用
@article{arxiv.1803.01798,
title = {One-Class Adversarial Nets for Fraud Detection},
author = {Panpan Zheng and Shuhan Yuan and Xintao Wu and Jun Li and Aidong Lu},
journal= {arXiv preprint arXiv:1803.01798},
year = {2018}
}
备注
Update Fig 2, add Fig 7, and add references