本报告提出一种基于注意力机制的堆叠集成模型,通过结合CNN、RNN、LSTM和GNN的预测结果,利用DOWA和IOWA算子进行加权融合,加入置信度驱动的组合层动态选择最可靠聚合输出。采用SHAP方法筛选关键特征,提高模型解释性。三个数据集上的实验证明该模型在准确率、召回率及鲁棒性方面均优于单一模型和主流集成方法,适应数据严重不平衡,助力实时信用卡欺诈检测系统的部署与信任构建
数据集概况与预处理 :
| 数据集 | 样本数 | 欺诈样本数 | 不平衡比例 |
|---|---|---|---|
| Public 1 | 454,905 | 227,452 | 50% |
| Public 2 | 227,845 | 394 | 0.17% |
| Public 3 | 568,630 | 284,315 | 50% |
SHAP特征选择及重要性分析:
量化融合技术:DOWA与IOWA算子:
模型架构设计与注意力层:
模型间预测相关性分析:
深度基模型超参数及训练配置:
实验与性能对比:
不同集成模型性能比较:
| 数据集 | 指标 | LightGBM | RF | XGBoost | DF | AdaBoost | ET | BDT | Proposed |
|---|---|---|---|---|---|---|---|---|---|
| Dataset 1 | Pr | 0.9313 | 0.8727 | 0.9280 | 0.9238 | 0.9281 | 0.8853 | 0.8815 | 0.9984 |
| Re | 0.8606 | 0.9172 | 0.8172 | 0.8592 | 0.8595 | 0.8931 | 0.9114 | 1.0000 | |
| F1 | 0.8945 | 0.8942 | 0.8693 | 0.8901 | 0.8923 | 0.8885 | 0.8959 | 0.9992 | |
| Dataset 2 | Pr | 0.8847 | 0.8158 | 0.8814 | 0.8799 | 0.8875 | 0.7433 | 0.8375 | 0.9091 |
| Re | 0.7596 | 0.8204 | 0.7400 | 0.7298 | 0.7596 | 0.8827 | 0.8327 | 0.8081 | |
| F1 | 0.8172 | 0.8181 | 0.8042 | 0.7975 | 0.8162 | 0.8079 | 0.8347 | 0.8556 | |
| Dataset 3 | Pr | 0.0003 | 0.0012 | 0.0008 | 0.0006 | 0.0018 | 0.0007 | 0.0010 | 0.0095 |
| Re | 0.7155 | 0.7850 | 0.7395 | 0.7104 | 0.7157 | 0.7785 | 0.7874 | 0.8069 | |
| F1 | 0.0005 | 0.0023 | 0.0015 | 0.0012 | 0.0035 | 0.0014 | 0.0019 | 0.0187 |
关键结论及优势:
量化策略亮点:
报告标题: Explainable AI for Fraud Detection: An Attention-Based Ensemble of CNNs, GNNs, and A Confidence-Driven Gating Mechanism
作者: Mehdi Hosseini Chagahi, Niloufar Delfan, Saeed Mohammadi Dashtaki, Behzad Moshiri (Senior Member, IEEE), Md. Jalil Piran (Senior Member, IEEE)
发布机构: IEEE相关期刊,2024年
主题: 信用卡欺诈检测(Credit Card Fraud Detection,CCF),以集成深度学习模型融合为核心,强调模型的可解释性和不确定性管理。
本篇报告针对信用卡欺诈检测领域中的核心问题,提出了一个新颖的基于注意力机制的堆叠式集成学习框架。该框架融合了卷积神经网络(CNN)、图神经网络(GNN)、递归神经网络(RNN)及长短期记忆网络(LSTM)四种不同深度学习模型,通过两套加权聚合算子——依赖有序加权平均算子(DOWA)和诱导有序加权平均算子(IOWA),分别组合CNN+RNN和LSTM+GNN的预测结果。随后,设计了置信度驱动的门控机制(CAC layer)动态选择最可靠的聚合结果输入到一个多层感知机(MLP)元学习器,实现最终分类。
核心贡献在于:
作者的主旨在强调,不仅追求高准确度(Ac),也关注模型预测的置信度和金融应用中的透明度,满足金融机构对决策可解释性的要求,1]。
本报告非金融市场估值报告,聚焦信用卡欺诈检测技术框架及性能,不涉及传统金融估值模型。目前无DCF、PE估值等内容,无需做估值部分解读。
报告中主要挑战和潜在风险为:
报告对上述均有对应策略讨论,如引用置信度驱动机制提升可信度,建议未来探索增量学习及轻量化模型,9]。
本文提出了一种创新的信用卡欺诈检测堆叠集成框架,核心在于结合DOWA与IOWA两类加权聚合算子,以构建多样性和稳定性兼顾的深度学习模型组合。通过置信度驱动选择聚合输出,并馈入多层感知机元学习器,实现准确率和召回率的平衡,有效提升欺诈检测的性能和鲁棒性。SHAP解释增强了特征重要性的透明度,符合金融行业对AI决策解释性的需求。
实验证明,模型在三类数据集上均优于各单一模型及传统集成模型,尤其在平衡及轻度不平衡样本上达成接近完美的F1得分。跨数据集测试显示,模型具有一定泛化能力,但匿名特征差异带来的影响需警惕。
作者同时提出了未来研究方向,包括多层堆叠增强、探索更复杂的聚合算子、在线增量模型更新及计算效率优化,指向更适合实时应用和动态环境的欺诈检测方案。
综上,本文框架在信用卡欺诈检测领域中,通过多模型融合、置信度管理和解释性技术的有机结合,实现了性能和透明度的双重提升,符合现代金融监管和风险控制的需求,具备较高的理论价值和实用潜力。
希望本分析助您深刻理解该研究对信用卡欺诈检测领域的贡献及实践应用价值。
2410.09069.pdf