IWQoS会议是IEEE和ACM联合主办的计算机网络领域的著名学术会议之一(CCF-B)。自1993年创办以来，IWQoS就一直作为分享网络服务质量相关前沿工作的学术平台，备受海内外学者的关注，在国内外享有较高的声誉和广泛的影响力。IWQoS 2024今年共收到投稿326篇，总共录用81篇，录用率为24.8%。
https://iwqos2024.ieee-iwqos.org/program/award
互联网数字交易平台是促进互联网上各方之间电子资金转移的数字平台，使用户能够在任何有互联网连接的地方进行交易。然而，欺诈者可能会在欺诈交易中进行未经授权或欺骗性活动，以欺骗手段获取金钱或有价值的资产。他们经常利用安全系统的弱点或操纵个人披露敏感信息。对于金融机构来说，强有力的安全防护措施以有效检测欺诈活动至关重要。
已有的欺诈检测技术可以分为两类，即基于规则的方法和基于机器学习的方法。
✦
01
基于规则的方法根据专家发现的欺诈模式检测欺诈交易，从而实现良好的检测可解释性和可部署性。然而，它们严重依赖专家知识来建立和更新规则，并且可能无法发现复杂模式。
✦
02
基于机器学习的方法能够自动从大量训练数据中捕获复杂的欺诈模式。然而，这些方法的有效性取决于可用交易的特征空间。
✦
由于欺诈交易与良性交易相比更为罕见，因此区分与良性交易具有相似模式和特征的隐蔽性欺诈交易仍然是一个挑战。这种隐蔽性欺诈交易由于与良性交易的相似性，很容易逃避现有的检测系统。
图1方法构想图。利用可疑交易可以扩充特征空间，从而提高检测模型的性能。
我们创新性地提出了一个半监督模型训练-“GIANTESS”，它为分布外的可疑交易生成准确的伪标签，并将它们纳入检测模型训练以增强输入特征空间，以此增强隐蔽的欺诈交易检测。此外，我们还提出了一种新颖的混合损失函数，以同时有效利用伪标签和真实标签。通过在这种增强的输入特征空间上使用所提出的损失函数进行训练，检测模型获得了更好的决策边界，可以区分隐蔽性欺诈交易和良性交易。下图展示了我们提出框架的工作流程。它遵循以下两个阶段：
✦
01
伪标签生成估计分布外可疑样本的伪标签，以便于使用增强的特征空间来训练下游检测模型。为了生成准确的伪标签，我们设计了一种通用的数据增强基础训练方法，使用所有良性和欺诈样本来获得一个标记模型。数据增强是通过插值模型训练中的隐藏特征空间来执行的，以便训练出的标记模型具有平滑的分类边界，可以在分布外可疑交易和分布内交易上都很好地泛化。
✦
02
混合标签训练使用标记的交易和可疑交易来获得检测模型。该模型使用特别设计的混合损失进行训练，充分利用了真实硬标签和伪软标签的标记信息，更多地关注可能被错误分类为欺诈的交易。通过使用混合损失函数进行训练，模型可以更有效地区分与良性交易模式相似的隐蔽性欺诈交易。
✦
实验结果显示，在假阳性率为0.1%的条件下，针对账户盗用和诈骗场景的隐蔽欺诈交易检测召回率分别提升7.2%和7.7%。其中新增召回的欺诈交易中，45.9%与良性交易模式相似。
具体实验方法可点击“阅读原文”查看