Lokal interpretierbare Ein-Klassen-Anomalieerkennung zur Erkennung von Kreditkartenbetrug

Für das stark unausgeglichene Problem der Kreditkartenbetrugserkennung verwenden die meisten bestehenden Methoden entweder Datenaugmentierungstechniken oder herkömmliche Machine-Learning-Modelle, während ansatzbasierte Anomalieerkennung nicht ausreicht. Darüber hinaus haben nur wenige Studien KI-Interpretierbarkeitstools verwendet, um die Merkmalsbedeutung von Transaktionsdaten zu untersuchen, was entscheidend für das Black-Box-Betrugserkennungsmodul ist. In Anbetracht dieser beiden Punkte schlagen wir ein neuartiges Anomalieerkennungsframework für die Kreditkartenbetrugserkennung sowie ein Erklärungsmodul vor, das für die Vorhersageerklärungen zuständig ist. Das Betrugserkennungsmodell besteht aus zwei tiefen neuronalen Netzwerken, die in unüberwachter und adversarialer Weise trainiert werden. Genauer gesagt, der Generator ist ein AutoEncoder, der darauf abzielt, genuine Transaktionsdaten zu rekonstruieren, während der Diskriminator ein vollständig verbundenes Netzwerk zur Betrugserkennung ist. Das Erklärungsmodul umfasst drei White-Box-Erklärer, die für die Interpretationen des AutoEncoder, des Diskriminators und des gesamten Erkennungsmoduls verantwortlich sind. Experimentelle Ergebnisse zeigen die führende Leistung unseres Betrugserkennungsmodells auf dem Benchmark-Datensatz im Vergleich zu Baselines. Darüber hinaus werden Vorhersageanalysen durch drei Erklärer präsentiert, die einen klaren Einblick geben, wie jedes Merkmal eines interessierenden Falls zum endgültigen Modellausgang beiträgt. Unser Code ist verfügbar unter https://github.com/tony10101105/Locally-Interpretable-One-Class-Anomaly-Detection-for-Credit-Card-Fraud-Detection.