Cost-Aware Adaptive Credit Card Fraud Detection Under Concept Drift: A Comparative Evaluation of Model-Maintenance Policies
本文评估了概念漂移下信用卡欺诈检测的五种模型维护策略，结果表明，虽然频繁重训练能产生最高的检测性能，但一种具备成本意识的自适应引擎能在准确率与重训练频率之间提供平衡的权衡，且未必是以最小化总适应成本为目标。
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
每天，数以百万计的信用卡交易流经银行网络，这是一条由合法消费构成的广阔河流，其中点缀着微小而危险的欺诈暗流。检测这些欺诈行为是一场关于极端的博弈：每当一张被盗卡被使用时，背后都有成千上万名诚实的购物者。这种不平衡使得计算机程序难以学习犯罪者的特征，因为它们所看到的“正常”行为实在过于压倒性。使情况变得更加复杂的是，欺诈者并非静止不变；他们不断改变策略，而诚实的客户也会改变其消费习惯。在数据科学领域，这种不断变化的景观被称为“概念漂移”（concept drift）。一个基于去年模式训练的计算机模型可能会对今年的新花招视而不见，随着世界的演进，其有效性会逐渐丧失。
银行面临的挑战在于，何时知道该更新其检测软件。重新训练模型以学习新模式需要大量的计算能力和时间，因此过于频繁地进行更新是一种资源的浪费。然而，等待时间过长则意味着会错过新一波的欺诈浪潮。核心问题不仅在于如何构建一个检测器，还在于如何决定刷新它的精确时刻。银行应该像每三个月给汽车换一次机油那样，按照固定的时间表来更新其软件吗？还是应该等待某个特定的预警信号，表明系统正在失效？圣吉瓦尼大学（Sanjivani University）的一个研究小组决定在受控环境中测试这些不同的策略，以观察哪种方法能在捕捉犯罪与节省计算成本之间提供最佳平衡。
研究人员使用了一个包含欧洲近28.5万笔信用卡交易的真实数据集，该数据集包含了不到500起欺诈案例。为了模拟现实世界中不可预测的性质，他们并没有等待自然变化发生，而是人为地在数据流中注入了一个突然的转变，通过改变特定交易特征来模拟一种新型的欺诈攻击。随后，他们在这一数据流上运行了五种不同的策略，以观察每种策略的反应。第一种策略是静态模型，它从不更新，代表了一个沿用旧数据的系统。第二和第三种策略是简单的调度方案：一个每10,000笔交易重新训练一次软件，另一个则每5,000笔重新训练一次。第四种策略依赖于一个单一的自动化检测器，只有当它注意到数据中出现统计学上的变化时，才会发出警报。第五种也是最复杂的策略是一个自适应决策引擎，该系统监测三种不同的信号：错误率、预测置信度以及误报数量，同时还会权衡犯错的经济成本与重新训练的成本。
结果显示，性能与投入之间存在明显的权衡。更新频率最高的策略（每5,000笔交易重新训练一次）在捕捉欺诈方面达到了最高的准确率。然而，这种成功是以高昂的价格换来的：它需要进行十七次单独的重新训练过程，并且在计入所使用的计算资源后，产生了最高的总成本。在光谱的另一端，静态模型和单检测器策略完全不更新软件。虽然它们漏掉的欺诈比频繁更新的模型稍多，但由于避免了重新训练的开销，它们的成本最低。尽管复杂的自适应决策引擎拥有先进的监测功能，但它并未成为明显的赢家。它仅进行了四次重新训练，在准确率方面处于中间水平，但在研究人员应用的特定经济规则下，它未能实现总成本最小化。事实上，简单的非更新模型比自适应模型更便宜。
研究还强调了系统一旦更新后恢复速度之快。在变化开始后约2,300笔交易通过后，自适应引擎检测到了欺诈模式的转变。一旦决定更新，它的性能便迅速恢复。相比之下，定时更新的策略需要更长时间才能与新现实对齐，在超过10,000笔交易后才完成恢复。然而，研究人员谨慎地指出，这些发现来自于一次特定的模拟运行和一组特定的假设。各策略之间的性能差异往往仅涉及总流中的几笔欺诈交易。这项研究并未证明某种方法在普遍意义上更优越；相反，它表明最佳选择完全取决于银行在“捕捉每一笔可能的欺诈”与“节省计算成本”之间如何取舍。如果错过欺诈的代价很高，那么频繁更新可能是值得的。如果重新训练的成本很高，那么简单且更新频率较低的方法可能更好。研究结论认为，不存在灵丹妙药，只有在检测质量、更新频率以及系统假设成本之间进行的细致平衡。
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。