編譯：chux
出品：ATYUN訂閱號
信用卡欺詐比人們想象的更常見。2014年，在1760萬起執法身份盜竊事件中，86％的受害者報告與現有信用卡或銀行賬戶有關的欺詐行爲。事實上，根據聯邦貿易委員會的統計，信用卡欺詐是美國最常見的身份盜用形式，每年有超過130,000份報告。
檢測可疑信用卡使用模式的自動方法並不新鮮，但eBay的研究人員在發表的一篇新論文“Credit Card Fraud Detection in e-Commerce: An Outlier Detection Approach”中描述了一種尖端技術。他們提出的系統使用經過訓練的算法來識別“良好行爲”，它涉及交易和支付，並並標記超出預期規範的活動。
“通常，與欺詐和垃圾郵件檢測等任務相關的挑戰是缺乏訓練合適的監督學習模型所需的所有可能模式，”該論文的作者寫道，“當欺詐模式不僅僅是稀缺時，這個問題更加突出，它們也隨着時間而變化。有限的數據和不斷變化的模式使得學習變得非常困難。我們假設良好行爲不隨時間變化，表示良好行爲的數據點在不同分組下具有一致的空間特徵。”
研究人員利用了一組聚類方法技術來識別具有不同參數的數據集中的相似對象組。在每次訓練中，每個數據點都被分配到一個集羣中，從這個集羣中產生一個數學表示（向量），構成數據點的指紋，這些指紋可以組合成數據點的唯一簽名錶示。
爲了生成表示“良好行爲”（即一致性）的簽名，團隊將每個數據點向量組合在一起，並根據相應羣集的大小對其進行加權，得到0到1之間的單個分數。低一致性得分（接近0），自然對應異常行爲。
他們寫道，這種方法比傳統的AI欺詐檢測有幾個優點。它不需要事先了解異常值或內點。並且基礎算法具有（1）高度可擴展性（2）通用性，它幾乎可以應用於任何羣集問題，包括醫學領域的問題。
該團隊採購了數據科學平臺Kaggle的公開信用卡數據庫，其中包含了2013年9月歐洲持卡人在兩天內（其中492個是欺詐性）進行的284,807份信用卡交易樣本，以測試他們的方法。在總共10次運行之後，該算法能夠以高精度識別40％的欺詐案例。
它並不完美，它標誌着29項合法交易，但正如他們在報紙中指出的那樣，考慮到成千上萬的數據點，這是一個巨大的收益。
團隊表示，“我們的技術非常實用，因爲在284,807個樣本中，我們可以安全地排除139,220個交易。”
如果你最近在eBay上購買或出售過某些東西，你可能會遇到該系統的運行。研究人員指出，它成功地從電子商務平臺中篩選了欺詐交易。
“我們推出此方法的動機是，每次電子商務公司引入新的消費者輔助功能或對某些交易行爲施加限制時，都試圖在電子商務平臺上識別欺詐消費者，這爲一些消費者濫用和濫用平臺打開了新的大門和途徑。此外，我們的算法在識別欺詐方面顯示出巨大的潛力。”