SAFE：一种用于欺诈早期检测的神经网络生存分析模型

许多在线平台已部署反欺诈系统以检测并防范欺诈活动。然而，用户实施欺诈行为的时间与平台封禁用户的时间之间通常存在间隙。如何及时检测欺诈者是一个具有挑战性的问题。现有多数方法采用分类器，根据随时间变化的用户活动序列预测欺诈者。分类模型的主要缺陷是相邻时间戳之间的预测结果常常不一致。本文中，我们提出一种基于生存分析的欺诈早期检测模型 SAFE，其将动态用户活动映射为随时间保证单调下降的生存概率。SAFE 采用循环神经网络（RNN）处理用户活动序列，并直接输出各时间戳的风险值，随后由风险值导出的生存概率用于实现一致预测。由于训练数据中我们仅观测到用户被封禁时间而非欺诈活动时间，我们修正了常规生存模型的损失函数以实现欺诈早期检测。在两个真实世界数据集上的实验结果表明，SAFE 优于单独的生存分析模型与循环神经网络模型，以及最先进的欺诈早期检测方法。