面向数据流中概念漂移的鲁棒在线流式欺诈检测框架
机器学习
2025-04-15 v1
摘要
来自多种来源（如在线交易和数字交互）的持续流式数据生成，要求及时进行欺诈检测。传统的批量处理方法往往难以捕捉欺诈活动快速演变的模式。本文强调处理流式数据以实现有效欺诈检测的重要性。为解决流式环境中存在的延迟、可扩展性和概念漂移等挑战，我们提出一种鲁棒在线流式欺诈检测（ROSFD）框架。我们提出的框架包含两个关键阶段：（i）阶段一：离线模型初始化。在此初始阶段，使用增量学习原则构建模型，以克服“冷启动”问题。（ii）阶段二：实时模型适应。在此动态阶段，采用漂移检测算法（如 DDM、EDDM 和 ADWIN）识别流数据中的概念漂移，并据此增量训练模型。这种“仅在需要时训练”策略大幅减少了所需的训练次数，而不会显著影响接收者工作特征曲线下面积（AUC）。总体而言，ROSFD 采用 ADWIN 作为漂移检测方法在所采用方法中表现最佳。在模型效果方面，自适应随机森林在四个五个数据集中均取得最高的 AUC。
引用
@article{arxiv.2504.10229,
title = {ROSFD: Robust Online Streaming Fraud Detection with Resilience to Concept Drift in Data Streams},
author = {Vivek Yelleti},
journal= {arXiv preprint arXiv:2504.10229},
year = {2025}
}