基于对数签名的半监督贝叶斯GAN用于不确定性感知的信用卡欺诈检测
机器学习
2026-05-13 v3 机器学习
摘要
我们提出了一种新颖的深度生成半监督框架，用于信用卡欺诈检测，并将其形式化为时间序列分类任务。随着金融交易数据流规模和复杂性的增长，传统方法通常需要大量标注数据集，并且难以处理采样频率不规则和序列长度变化的时间序列。为了应对这些挑战，我们扩展了条件生成对抗网络（GANs）以进行有针对性的数据增强，集成贝叶斯推理以获得预测分布并量化不确定性，并利用对数签名对交易历史进行鲁棒的特征编码。我们引入了一种基于Wasserstein距离的新型损失函数，用于对齐生成样本与真实未标注样本，同时最大化标注数据的分类精度。我们的方法在BankSim数据集（一个广泛使用的信用卡交易数据模拟器）上进行了评估，在不同标注样本比例下，其在全局统计指标和领域特定指标上均表现出相对于基准方法的一致性改进。这些发现突显了GAN驱动的半监督学习与对数签名相结合在处理非规则采样时间序列方面的有效性，并强调了不确定性感知预测的重要性。
引用
@article{arxiv.2509.00931,
title = {Semi-Supervised Bayesian GANs with Log-Signatures for Uncertainty-Aware Credit Card Fraud Detection},
author = {David Hirnschall},
journal= {arXiv preprint arXiv:2509.00931},
year = {2026}
}