Multi-Criteria Feature Subset Selection for Credit Card Fraud Detection Under Class Imbalance
本文表明，在 ULB 信用卡欺诈数据集上，通过多方法排序策略导出的包含 15 个特征的紧凑子集，能够在无需使用 SMOTE 过采样的情况下，使各种分类器实现高性能的欺诈检测，因为在经过适当阈值调整后，基于自然类别分布训练的模型表现始终优于使用 SMOTE 训练的模型。
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
在全球金融那浩瀚而沉默的流动中，极小部分的交易隐藏着危险。大多数信用卡刷卡是无害且常规的价值交换，但极少数交易是欺诈性的，旨在窃取毫无防备的所有者的资金。对于监控这些交易的系统而言，这构成了一个棘手的谜题。如果一个计算机程序仅仅通过猜测每一笔交易都是安全的，它在超过百分之九十九的情况下都会是正确的。这种高成功率具有欺骗性；它掩盖了这样一个事实：该系统在其实际职责——即捕捉那些罕见的窃贼方面——已经完全失败了。为了解决这个问题，专家们必须超越简单的对错计数。他们需要衡量一个系统在不引发每一个正常交易误报的前提下，能多好地发现那些不良交易，这种平衡需要精细的调优以及对数据本身的深刻理解。
来自孟加拉国 ZogBiyog 实验室的 Abdullah Md Raihan Chy 最近的一项研究通过测试两个特定的想法来解决这一问题：如何选择合适的线索进行观察，以及人工创造更多的欺诈案例是否能让计算机学习得更好。研究人员使用了一组来自欧洲的大规模信用卡记录，其中包含 2013 年仅两天内的近 285,000 笔交易。在这个现实世界的数据集中，只有 0.173% 的交易实际上是欺诈。由于数据在安全交易方面呈现出如此严重的倾斜，团队必须在如何训练模型方面极其谨慎。他们首先查看了每笔交易中可用的三十种不同信息，例如交易时间、消费金额，以及另外二十八个经过数学转换以保护持卡人隐私的数字。
为了找到最有用的线索，研究人员并没有依赖单一的方法来排列这三十个特征的重要性。相反，他们使用了四种不同的方法来为每个特征评分。一种方法寻找关联模式，另一种检查线性关系，第三种使用基于树的算法来衡量特征对数据进行划分的贡献程度，第四种则观察每个特征所持有的变异量。随后，他们将这四个列表合并为一个更短的十五个特征的列表。他们通过轮流从四个列表中挑选排名第一的特征，并跳过那些已被选中的特征，直到恰好拥有十五个独特的项目，以此完成了这个“轮询”过程。这种“轮询”方法确保了没有任何一种方法会占据主导地位，从而创建了一个既多样化又易于处理的紧凑型线索集。
在拥有这组较小的十五个特征后，团队训练了七种不同类型的计算机程序来识别欺诈。这些程序涵盖了从简单的统计规则到模拟大脑处理信息的复杂分层网络。他们在两种不同的条件下测试了这些程序。在第一种条件下，程序按照现实世界中出现的真实情况进行学习，即微小的欺诈案例坐落在庞大的安全交易之中。在第二种条件下，他们使用了一种称为 SMOTE 的技术，通过混合和匹配现有欺诈案例的部分内容来创建新的合成欺诈示例。这种人工平衡行为是数据科学家常用的一种捷径，其基于这样一个假设：给予计算机更多关于稀有事件的例子，将有助于它更好地学习如何识别该事件。
实验结果清晰且令人惊讶。当研究人员在一个模型从未见过的全新数据集上测试这些程序时，使用自然、不平衡数据训练的程序表现得比使用人工平衡数据训练的程序更好。这一结果在他们测试的所有程序类型中均成立。表现最好的模型是一个名为 XGBoost 的模型，它在自然数据训练下达到了 0.826 的高分，而 K-最近邻（K-Nearest Neighbors）模型甚至达到了更高的 0.833。相比之下，当这些相同的模型使用合成欺诈示例进行训练时，它们的性能全面下降。尽管研究人员仔细调整了每个模型的决策点以确保公平比较，但人工数据始终导致了更差的结果。
这一发现挑战了该领域长期以来的一种观点，即添加合成示例总是有益的一步。研究表明，对于这种特定类型的问题和特定类型的数据，自然分布的交易中包含了一种会被人工示例破坏的信号。当计算机程序被允许观察到事件真实的稀缺性，而不是被强迫将欺诈与安全视为同样普遍时，它们能更准确地区分欺诈。研究还证实，一组经过精心挑选的小规模十五个特征足以构建一个强大的检测器，证明了人们并不需要使用所有可用的信息也能在干草堆中找到那根针。最终，这项工作表明，在欺诈检测这个高风险的世界里，有时最有效的策略是信任数据的原始现实，而不是试图去构建一个更平衡的版本。
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。