基于监督对比学习的鲁棒欺诈检测
密码学与安全
2023-08-22 v1 人工智能
摘要
深度学习模型近来在检测计算平台中的恶意用户活动会话方面变得流行。在许多现实场景中，仅有少量带标签的恶意会话和大量正常会话可用。这些少量带标签的恶意会话通常无法覆盖所有可能恶意会话的全部多样性。在许多场景中，可能的恶意会话可能高度多样。因此，深度学习模型所学得的会话表示在针对未见恶意会话取得良好泛化性能方面可能变得无效。为应对这一开集欺诈检测挑战，我们提出了一种名为 ConRo 的鲁棒监督对比学习框架，其专门应用于仅有少量多样性受限的恶意会话可用的场景。ConRo 应用一种有效的数据增强策略来生成多样的潜在恶意会话。通过利用这些生成的与可用的训练集会话，ConRo 借助监督对比学习推导出针对开集欺诈检测任务的可分离表示。我们在基准数据集上对我们的 ConRo 框架及其他最先进基线进行了实证评估。我们的 ConRo 框架相较最先进基线展现出显著的性能提升。
引用
@article{arxiv.2308.10055,
title = {Robust Fraud Detection via Supervised Contrastive Learning},
author = {Vinay M. S. and Shuhan Yuan and Xintao Wu},
journal= {arXiv preprint arXiv:2308.10055},
year = {2023}
}
备注
16 pages, 5 figures, and 3 tables