A Comparative Study of CNN-LSTM and Graph Neural Networks for Credit Card Fraud Detection: A Cost-Aware, Explainable, and Deployment-Ready Framework
本研究对比了 CNN-LSTM 与图神经网络（GNN）模型在 Kaggle 数据集上的信用卡欺诈检测表现，发现尽管由于后者无法利用匿名化的关系特征导致 CNN-LSTM 表现更优，但研究结果强调了阈值调优、类别不平衡处理以及模型选择对于实际部署的重要性。
原始论文采用 CC BY 4.0 许可（https://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
在数字时代，金钱移动的速度犹如光速。每当信用卡被刷过或感应支付时，都会产生一个复杂的数据网络，记录着资金流向何处、何时流向以及消费了多少。几十年来，银行一直依赖僵化的规则来捕捉窃贼：如果一笔交易在短短一小时内发生在两个不同的国家，就将其标记出来。但随着欺诈手段变得越来越高明，这些静态规则开始失效。它们无法洞察随时间展开的微妙行为模式，也无法理解不同人与地之间隐藏的联系。为了跟上步伐，科学家们转向了人工智能，特别是深度学习——这是一个计算机程序通过研究大量示例来识别模式的领域。为了解决这个谜题，出现了两种强大的方法。一种方法将一系列交易视为一个故事，观察一个人的消费习惯如何从一个时刻变化到下一个时刻；另一种方法则将金融世界视为一张连接图谱，试图发现正在协同作案的人群或设备。
一组研究人员开展了一项研究，旨在观察当数据被剥离掉最明显的线索时，这两种方法哪一个效果更好。他们专注于一个广泛使用的信用卡记录集合，该数据集为了保护隐私已经过脱敏处理。在这个数据集中，持卡人和商户的名字都被隐藏了，取而代之的是通用的代码。研究人员构建了两种不同类型的人工智能系统，在这些经过脱敏的信息中搜寻欺诈行为。第一个系统是一个混合模型，它结合了两种技术：一部分负责寻找数字中的局部模式，另一部分则负责记忆事件的序列，有效地阅读了一个持卡人消费行为的时间线故事。第二个系统旨在寻找关系，它将每一张卡和每一个商户都视为地图上的一个点，并在它们之间连线，以观察是否形成了可疑的集群。
结果是显著且明确的。那个旨在阅读消费习惯“故事”的系统表现得非常出色。通过仔细调整其敏感度以避免误报，它成功识别了约72%的欺诈交易，同时将无辜者被错误指控的数量控制在极低水平。当怀疑阈值被调至恰当时，它达到了极高的准确率，正确分类了近99.9%的所有交易。该系统学会了识别那些通常发生在盗窃之前的细微消费行为变化，即便它并不知道涉及哪些人。
相比之下，那个旨在寻找连接图谱的系统却难以捕捉到任何信号。由于数据经过了匿名化处理，研究人员不得不发明一张虚假的地图，根据任意的分组来猜测哪些交易可能存在关联。由于缺乏像共享设备或已知商户关系这样的真实世界联系，该系统无从下手。它无法区分诚实的购物者和窃贼，经常表现为要么判定几乎所有交易都是欺诈，要么完全漏掉欺诈。其表现如此糟糕，以至于在这一特定环境下不具备实际应用价值。这项研究表明，虽然映射连接的想法很强大，但它需要真实的、未被隐藏的关系才能发挥作用。当数据被混淆时，一个专注于事件序列和交易本身细节的系统要优越得多。
研究人员还强调了关于如何衡量成功的一个关键教训。在现实世界中，由于欺诈行为非常罕见，简单的整体准确率指标可能会产生误导。一个对每一笔交易都简单预测为“无欺诈”的系统，其正确率会超过99%，但它抓不到任何一个窃贼。团队展示了通过观察更具体的性能指标（例如捕捉欺诈与避免误报之间的平衡），模型的真实能力才会显现出来。他们发现，这个“阅读故事”的模型可以进行微调以适应银行的需求，允许银行决定为了捕捉更多窃贼而愿意容忍多少误报。
这项工作表明，对于目前许多银行所使用的常见的、经过脱敏处理的数据集，最好的方法是专注于用户活动的逻辑时间线，而不是试图强行在数据上建立连接图谱。事实证明，这种混合模型不仅更准确，而且速度更快，适用于需要在几分之一秒内做出批准或拒绝决策的实时场景。研究结论指出，工具的选择完全取决于可用数据的性质。如果一家银行能够接触到关于人与设备如何链接的丰富且未隐藏的信息，那么连接映射的方法或许有一天会大放异彩。但在目前这个匿名化数据的世界里，能够阅读交易序列“故事”的能力，才是保障金融系统安全最可靠的方式。
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。