VecAug：基于队列增强的掩盖性欺诈检测

欺诈检测是一项具有挑战性的任务，特别是由于欺诈模式不断演变且标注数据稀缺。现有方法主要依赖图基或序列基方法。虽然图基方法通过共享实体连接用户以捕捉结构信息，但容易受到能够干扰或操纵这些连接的欺诈者的攻击。相比之下，序列基方法分析用户的行为模式，能够抵抗篡改，但忽略了相似用户之间的相互作用。灵感来自保留和医疗保健领域的队列分析，本文引入 VecAug，一种新型队列增强学习框架，以解决这些挑战，通过结合个性化队列信息来增强目标用户的表征学习。为此，我们首先提出一种向量烧录技术，用于自动识别队列，从而为每个目标用户检索任务特定的队列。 then, 为充分利用队列信息，我们引入注意力队列聚合技术，用于增强目标用户的表征。为提高这种队列增强的鲁棒性，我们还提出一种新颖的标签感知队列邻居分离机制，以距离负面队列邻居并校准聚合的队列信息。通过将队列信息与目标用户的表征相集成，VecAug 提升了模型的建模容量和泛化能力。该框架灵活且可无缝集成到现有的欺诈检测模型中。我们在电子商务平台上部署该框架，并在三个欺诈检测数据集上进行评估，结果表明 VecAug 在 AUC 上提升基线模型最高可达 2.48%，在 R@P$_{0.9}$ 上提升最高可达 22.5%，显著优于当前最先进的方法。