面向信用卡欺诈检测的多视角隐马尔可夫模型自动化特征工程

机器学习与数据挖掘技术已被广泛用于检测信用卡欺诈。然而，多数研究将信用卡交易视为孤立事件，而非交易序列。在此框架下，我们从三种不同视角对信用卡交易序列进行建模，即（i）序列包含或不包含欺诈；（ii）序列通过固定持卡人或支付终端获得；（iii）其为消费金额序列或当前与先前交易之间经过时间的序列。三种二元视角的组合由（训练）交易集给出八组序列。每一序列均用一个隐马尔可夫模型（HMM）建模。每个 HMM 在给定先前交易序列的条件下为某笔交易关联一个似然值。这些似然值被用作随机森林分类器中用于欺诈检测的附加特征。我们基于多视角 HMM 的方法提供了自动化特征工程以建模时间相关性，从而提高分类任务的有效性，并且与最先进的基于专家的信用卡欺诈检测特征工程策略结合时可增加对欺诈交易的检测。作为对先前工作的扩展，我们表明该方法超越电子商务交易，并在不同数据集、超参数与分类器上提供鲁棒的特征工程。此外，我们比较了处理结构性缺失值的策略。