Prediction of bank transaction fraud using TabNet an adaptive deep learning architecture
本研究表明，通过结合 SMOTE 进行类别平衡处理的自适应深度学习架构 TabNet，在检测印度数据集中的银行交易欺诈方面显著优于其他深度学习模型，实现了 97.39% 的准确率和 0.9739 的 ROC-AUC，同时提供了监管合规和操作风险管理所需的解释性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，数字世界是一座繁忙且霓虹闪烁的城市，金钱并不存在于保险库中，而是以不可见的数据包形式飞速穿梭。在这座城市里，每当你买一杯咖啡或送出一份礼物，都会有一张微小的数字收据被盖章并发送到一个巨大的、无形的账本中。这就是**金融科技（FinTech）**的领域，即技术与金融的交汇点。但就像任何大城市一样，这座数字大都市也有其扒手和窃贼。这些罪犯不仅偷钱包，还通过伪装成你的样子来窃取身份并掏空银行账户。为了抓住他们，银行过去依赖的是“规则手册”——简单的清单，比如“如果有人在一分钟内消费了10,000美元，就阻止他！”但窃贼们很聪明；他们会学习规则并寻找绕过规则的方法。
欢迎来到**机器学习（Machine Learning）的世界，它是数字侦探，不仅阅读规则手册，还能学会识别模式。想象一位侦探在观察数百万路人经过，学习什么是“正常”的步态。如果有人突然穿着小丑服单脚跳跃，侦探就会察觉到异样。然而，这里有一个陷阱：大多数人走路都很正常，只有极少数人在跳跃。这使得侦探很难学习，因为他们看到的“小丑”太少，以至于可能会忘记真正的特征，或者更糟，开始认为所有人都是小丑。这就是数据不平衡（Imbalanced Data）带来的挑战。此外，银行需要知道侦探为什么要拦截某人。如果侦探是一个不给出理由的“黑盒”，银行就无法向客户或监管机构做出解释。这就是可解释人工智能（XAI）**发挥作用的地方——它是一位能够指出具体线索（例如“他们在凌晨3点穿着小丑服”）从而导致逮捕的侦探。
这篇论文讲述了一群研究人员决定测试一种名为 TabNet 的新型数字侦探来抓捕银行欺诈者的故事。他们使用了一个来自印度的真实银行交易大规模数据集——超过12.4万条记录——并将 TabNet 与其他五种著名的侦探风格进行对决：标准的深度神经网络（DNN）、重记忆型的 LSTM、快速的 GRU、模式识别型的 CNN1D 以及其他几种模型。研究人员想要看看哪位侦探能在不被海量正常交易干扰的情况下，最准确地识别出欺诈者，以及哪位侦探能清晰地解释其推理过程。
结果让那些“老派侦探”感到有些震惊。标准的深度神经网络（DNN）、LSTM、GRU 和 CNN1D 都表现得非常吃力。事实上，它们大多失败了。DNN 和 CNN1D 基本上选择了放弃，它们预测每一笔交易都是欺诈，这就像一名保安因为害怕一个小偷而逮捕商场里的每一个人。它们的准确率卡在了一个毫无意义的 50%，跟抛硬币猜正反面没什么区别。而擅长记忆像故事一样序列的 LSTM 和 GRU 也栽了跟头，因为该数据集中的银行交易并不遵循严格的故事顺序，它们只是一系列事件的列表。这些模型感到困惑，产生了大量的误报，同时也漏掉了真正的窃贼。
但随后，TabNet 出场了，情况完全不同。TabNet 是一种专门为“表格数据”（Tabular Data，这只是对带有数字和类别行与列的电子表格的一种高级说法）设计的特殊侦探。它并不试图记住一切，而是使用了一种“稀疏注意力（Sparse Attention）”机制。你可以把它想象成一位戴着魔法眼镜的侦探。在观察一笔交易时，这副眼镜会调暗无关细节（如天空的颜色）的光线，并只将强光聚焦在关键线索上（如时间或使用的设备）。这使得 TabNet 能够忽略噪音，专注于信号。
结果令人印象深刻。TabNet 实现了 97.39% 的准确率，其 ROC-AUC 得分为 0.9739。为了让你理解，当其他模型还在像抛硬种硬币一样瞎猜时，TabNet 已经以近乎完美的精度识别出了欺诈行为。它几乎正确识别了所有的真实欺诈案例，同时在诚实的交易中极少出错。或许最重要的一点是，TabNet 不仅仅给出一个“有罪”的判决；它还会展示自己的推导过程。它可以告诉银行哪些特征（如“交易金额”或“时刻”）是最可疑的，使其成为一个透明且值得信赖的监管工具。
研究人员还深入挖掘了数据，以了解欺诈者是如何运作的，他们发现了一些有趣的转折。与“窃贼只在深夜作案”的观念相反，数据显示欺诈经常发生在繁忙的营业时间，特别是 上午 8 点到下午 5 点 之间，并在 上午 10-11 点 达到高峰。窃贼们隐藏在众目睽睽之下，混迹在正常的购物人群中。他们还注意到，欺诈者经常从余额极高的账户中进行小额取款，试图通过不多拿钱的方式来掩人耳目。
最后，论文表明，对于在电子表格世界中抓捕银行欺诈，那些沉重的、“黑盒式”的老派侦探并不是最佳选择。相反，像 TabNet 这样专业、透明且具有适应性的模型才是正道。这不仅仅是为了抓住坏人，更是为了以快速、准确且易于解释的方式去实现。这项研究证实，虽然数字城市充满了聪明的窃贼，但我们现在已经拥有了一位拥有“正确眼镜”的侦探，能够清晰地洞察一切。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。