基于无监督预筛选的半监督供应链欺诈检测
机器学习
2025-08-12 v1 密码学与安全
摘要
检测现代供应链中的欺诈行为正日益受到挑战，受全球网络复杂性和标签数据稀缺的影响。传统检测方法常在类别不平衡和受限监督方面难以奏效，降低其在实际应用中的效果。本文提出一种新颖的两阶段学习框架以应对这些挑战。第一阶段，采用 Isolation Forest 算法进行无监督异常检测，以识别潜在欺诈案例并减少需进一步分析的数据 volume。在第二阶段，采用自训练支持向量机（SVM）综合运用标记数据和高置信度伪标记样本，实现稳健的半监督学习。该方法在 DataCo 智能供应链数据集上进行评估，该数据集为具有欺诈指示器的真实世界供应链数据集。实验结果显示，方法在保持误报率低于 3.0% 的情况下实现了 0.817 的 F1 分数。这些结果表明，在现实约束下，将无监督预筛选与半监督精炼相结合对于供应链欺诈检测具有有效性和效率，尽管我们认识到关于概念漂移以及需与深度学习方法比较的局限性。
引用
@article{arxiv.2508.06574,
title = {Semi-Supervised Supply Chain Fraud Detection with Unsupervised Pre-Filtering},
author = {Fatemeh Moradi and Mehran Tarif and Mohammadhossein Homaei},
journal= {arXiv preprint arXiv:2508.06574},
year = {2025}
}
备注
Six Pages, two Figures and six Tables