基于对比学习的无监督电子商务欺诈交易检测
机器学习
2025-03-25 v1
摘要
随着电子商务的快速发展，电子商务平台正面临日益增加的欺诈威胁。有效识别和预防这些欺诈行为已成为关键的研究问题。传统的欺诈检测方法通常依赖监督学习，需要大量标记数据。然而，这类数据往往难以获取，且欺诈活动的持续演变进一步降低了传统方法的适应性和有效性。为此，本研究提出一种基于 SimCLR 的无监督电子商务欺诈检测算法。该算法利用对比学习框架，在无标签设置下通过学习交易数据的底层表征来有效检测欺诈行为。实验结果表明，所提算法在 eBay 平台数据集上相对于 K 均值、孤立森林和自编码器等传统无监督方法在准确率、精确率、召回率和 F1 分数等指标上均实现了 superior performance，充分展示了强大的欺诈检测能力。结果确认，基于 SimCLR 的无监督欺诈检测方法在电子商务平台安全领域具有广泛的应用前景，显著提升了检测的准确性和鲁棒性。未来随着数据规模和多样性的增加，该模型的性能将进一步提升，并可集成到实时监控系统中，以为电子商务平台提供更高效的安全保障。
引用
@article{arxiv.2503.18841,
title = {Unsupervised Detection of Fraudulent Transactions in E-commerce Using Contrastive Learning},
author = {Xuan Li and Yuting Peng and Xiaoxuan Sun and Yifei Duan and Zhou Fang and Tengda Tang},
journal= {arXiv preprint arXiv:2503.18841},
year = {2025}
}