深度特征合成与专家混合模型增强的信用欺诈检测算法

摘要

银行账户欺诈检测是安全行业中的一大难题，主要因为欺诈模式的快速变化和合法账户与欺诈账户之间的显著数据不平衡问题.传统检测方法在一定程度上能解决这一问题，但常常面临较高的误报率，并且在应对新型欺诈行为时表现较差.本文提出了一种创新方法，将专家模型(Mixture of Experts, MoE)与基于深度神经网络的少数类过采样技术(DNN-SMOTE)相结合，以提高银行账户欺诈检测的效果.MoE模型通过多个专门训练的子模型捕获不同类型的欺诈行为特征，而DNN-SMOTE则通过生成高质量的少数类合成样本，显著缓解了类别不平衡的问题.在一个公开的银行账户欺诈数据集上，实验结果表明该方法的分类准确率达到了97.38%,真阳性准确率为87.02%.这表明所提出的模型在检测欺诈账户和合法账户之间具有良好的平衡性能.这些结果验证了MoE与DNN-SMOTE结合的有效性，为实际场景中的银行账户欺诈检测提供了一个强健且高效的解决方案.

关键词

网络安全 / 银行账户欺诈检测 / 专家模型 / 过采样 / 类别不平衡

基金资助

国家自然科学基金项目(62406342)资助; 辽宁省自然科学基金项目(2022-MS-168)资助; 中国刑事警察学院重点科研课题项目(2022XKGJ0108)资助