风险感知的对比式欺诈检测网络:提升不平衡系统中的交易风险识别能力
《Physica A: Statistical Mechanics and its Applications》:Risk-aware contrastive fraud detection network: Enhancing transaction risk identification in imbalanced systems
【字体:
大
中
小
】
时间:2026年08月30日
来源:Physica A: Statistical Mechanics and its Applications 3.1
编辑推荐:
摘要随着区块链技术的快速发展以及加密货币的广泛采用,加密货币交易中的欺诈行为已成为一个日益突出的安全问题。与传统的金融欺诈检测相比,加密货币交易欺诈检测面临着更大的挑战,这些挑战包括严重的类别不平衡、复杂的交易模式、不对称的误分类成本,以及对可解释结果的需求。为了解决这些问题,我
摘要
随着区块链技术的快速发展以及加密货币的广泛采用,加密货币交易中的欺诈行为已成为一个日益突出的安全问题。与传统的金融欺诈检测相比,加密货币交易欺诈检测面临着更大的挑战,这些挑战包括严重的类别不平衡、复杂的交易模式、不对称的误分类成本,以及对可解释结果的需求。为了解决这些问题,我们提出了一种基于风险意识的对比式欺诈检测网络(Risk-Aware Contrastive Fraud Detection Network,简称R-CFNet)。该方法首先使用SMOTE技术和随机噪声增强来缓解合法交易与欺诈交易之间的不平衡问题,然后引入对比学习并进行预训练,以增强交易表示并提高对欺诈行为与合法行为的区分能力。风险感知评分机制和成本敏感的优化策略使模型学习和决策过程与优先检测高风险欺诈的实际目标保持一致。在Ethereum和Bitcoin交易数据集上的广泛实验表明,R-CFNet在准确率、精确度、召回率、F1分数、AUC-ROC和AUC-PR等方面均优于传统的基线方法。消融研究、敏感性分析和基于成本的决策分析验证了所提出方法的有效性。基于注意力机制和SHAP的可解释性分析显示,该模型能够识别与欺诈行为相关的关键特征。这些结果表明,R-CFNet在提高欺诈检测性能的同时,更好地满足了加密货币交易风险识别的实际需求。本研究还为不平衡风险识别任务提供了一个有用的建模参考,对加密货币交易安全和数字金融市场的秩序具有实际意义。
引言
自2008年加密货币首次出现以来,该市场迅速扩张。由于去中心化特性,比特币和Ethereum等数字货币被广泛采用。然而,这些特性也为洗钱、基于网络的庞氏骗局和其他欺诈活动创造了机会。与传统法定货币相比,加密货币交易的规模更大,监管监督较弱,而匿名性和智能合约的复杂性进一步增加了欺诈检测的难度。近年来,基于机器学习的金融欺诈检测研究取得了显著进展[1],特别是深度学习模型(尤其是神经网络)因其高准确性而受到广泛关注[2]。尽管神经网络提高了欺诈检测的准确性,但仍需要更全面地考虑用户之间的相似性和特征交互[3]。
加密货币领域的欺诈检测研究仍处于早期阶段。区块链数据的独特特性使得特征模式非常复杂,难以准确识别欺诈行为[4]。区块链的去中心化特性也导致了合法交易与欺诈交易之间的不平衡,而市场波动可能会使正常的价格波动被误判为欺诈行为[5]。在实践中,实现精确度和召回率之间的适当平衡至关重要,因为优先识别欺诈交易往往比追求整体准确性更为重要。欧盟的通用数据保护条例(GDPR)等法规还要求检测结果具有可解释性,这对模型透明度提出了更高的要求[6]。最近的基于深度学习的欺诈检测研究从不同角度改进了交易建模。一种基于交易行为的分层门控网络被提出,用于模拟原始交易特征的重要性以及用户历史交易与当前交易之间的关系[7]。一种基于GAN的混合采样方法使用双判别器生成对抗网络和自适应undersampling策略来缓解类别不平衡和合法交易与欺诈交易之间的行为重叠[8]。通过使用时间感知的LSTM和当前-历史注意力机制,引入了一种交易行为表示学习方法,以捕捉连续交易中的时间间隔变化和历史行为依赖性[9]。这些研究有效改善了特征学习、样本平衡或交易欺诈检测的行为建模。然而,它们主要集中在传统的金融或信用卡交易场景,并通常针对分类性能或样本可分离性进行优化。区块链欺诈检测中的风险导向要求,包括不对称的误分类成本、风险排序和高风险交易的优先级识别,尚未得到充分解决。
本研究旨在通过将加密货币交易欺诈检测从一个不平衡的二元分类任务扩展为一种基于风险意识的决策问题来解决上述挑战,在此问题中,应根据潜在风险识别、排序和优先处理欺诈交易。该工作结合了合成少数类过采样技术(SMOTE)和对比学习:通过过采样生成的少数类样本可以缓解类别不平衡,而基于随机扰动的正样本使模型能够学习更细粒度的特征表示。为了更好地捕捉欺诈交易的复杂特征,采用了对比预训练来增强模型对细微特征变化的敏感性。贝叶斯优化用于模型微调,提高了超参数选择的效率和精确度。通过整合注意力机制和Shapley加性解释(SHAP)来提高模型的可解释性。注意力机制关注与欺诈行为相关的显著特征,而SHAP揭示了每个特征对欺诈识别的贡献,从而提高了结果的可信度和透明度。
本研究的主要贡献如下:
- •
我们对加密货币交易数据进行了类别平衡预处理,以减少合法交易与欺诈交易之间的严重不平衡。SMOTE过采样结合随机噪声增强扩大了少数类样本的数量,提高了从欺诈示例中学习的效率,并减少了多数类偏差。
- •
我们提出了一个基于风险意识的对比式欺诈检测网络(R-CFNet)用于加密货币欺诈检测。对比学习增强了交易表示,并区分了欺诈交易和合法交易。风险感知的特征适应机制将模型输出转换为连续的风险值,反映了潜在的交易风险,并使用成本敏感的优化来处理不对称的假阳性和假阴性成本。
- •
在Ethereum和Bitcoin交易数据集上的实验表明,R-CFNet在严重类别不平衡的情况下比现有的基线方法具有更高的召回率和F1分数。消融研究和基于SHAP的解释进一步支持了所提出方法的鲁棒性和透明度。
章节摘录
金融欺诈检测
金融欺诈对金融部门和日常生活都可能产生严重后果。因此,大量研究集中在欺诈检测上,特别是欺诈模式的识别和相关风险的评估。早期研究主要依赖基于规则的方法进行欺诈检测,假设欺诈行为遵循清晰且可识别的模式。据此,设计了许多规则和静态阈值指标来过滤欺诈交易
准备工作
本节介绍了支持所提出框架的两种技术准备工作:使用噪声增强样本进行少数类重新平衡和对比表示增强。第一部分缓解了训练数据中欺诈样本的稀缺性;第二部分在构建风险感知检测模块之前增强了交易嵌入。
方法
基于上述重新平衡的训练集和增强的交易表示,本节正式定义了基于风险意识的欺诈检测任务,并介绍了R-CFNet的决策、优化、参数搜索和可解释性组件。
实验数据
实验使用Kaggle上的Ethereum欺诈检测数据集进行。其特征反映了加密货币交易中的潜在欺诈行为,包括交易金额、时间间隔和交易频率。这些特征涵盖了多种异常模式,为欺诈检测提供了数据支持。表1展示了数据结构。欺诈检测实验还使用了Elliptic++数据集中的Bitcoin交易数据[30]。该数据集包含203,370条
比较分析
我们比较了在随机噪声增强前后Ethereum和Bitcoin数据集上的分类结果,如图2所示。处理后,两个数据集的识别性能都有所提高,表明使用随机噪声增强进行数据重新平衡可以减少不平衡样本带来的训练偏差,并提高欺诈交易的识别率。在Ethereum数据集上,处理前,合法交易和欺诈交易的正确识别率
结论
本研究提出了一种适用于严重类别不平衡和不对称误分类成本的R-CFNet方法。通过整合数据重新平衡、对比表示学习、风险评分映射和成本敏感优化,该方法将欺诈检测从传统的二元分类转向了基于风险的交易优先级识别。在Ethereum和Bitcoin交易数据集上的实验表明,R-CFNet取得了良好的
CRediT作者贡献声明
Fuxiang Yu:撰写——原始草案、可视化、验证、软件、方法论、调查、形式分析、数据整理、概念化。Shengjian Chen:撰写——审阅与编辑、监督、资源管理、项目协调、方法论、资金获取、概念化。
资金支持
本研究得到了佛山市南海区关键领域科学技术研究项目的资助,项目编号为2230032004637。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文所述工作。
Fuxiang Yu|Shengjian Chen
中国杭州杭州商学院
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号