Unsupervised Detection of Fraudulent Transactions in E-commerce Using Contrastive Learning

要約

電子商取引の急速な発展に伴い、eコマースプラットフォームはますます多くの詐欺の脅威に直面しています。
これらの不正行為を効果的に特定して防止することは、重要な研究問題になりました。
従来の詐欺検出方法は通常、監視された学習に依存しており、これには大量のラベル付きデータが必要です。
ただし、そのようなデータを取得することはしばしば困難であり、不正行為の継続的な進化により、従来の方法の適応性と有効性がさらに低下します。
この問題に対処するために、この研究では、SIMCLRに基づいた監視されていないeコマース詐欺検出アルゴリズムを提案しています。
このアルゴリズムは、対照的な学習フレームワークを活用して、非標識設定でトランザクションデータの基礎となる表現を学習することにより、詐欺を効果的に検出します。
eBayプラットフォームデータセットの実験結果は、提案されたアルゴリズムが、精度、精度、リコール、F1スコアの観点から、K-Means、Isolation Forest、Autoencodersなどの従来の監視なしの方法を上回ることを示しており、強力な不正検出能力を示しています。
結果は、SIMCLRベースの監視されていない詐欺検出方法が、eコマースプラットフォームのセキュリティで幅広いアプリケーションの見通しを持ち、検出の精度と堅牢性の両方を改善することを確認しています。
将来的には、データセットのスケールと多様性の増加により、モデルのパフォーマンスは引き続き改善され、リアルタイム監視システムと統合されて、eコマースプラットフォームのより効率的なセキュリティを提供することができます。

要約(オリジナル)

With the rapid development of e-commerce, e-commerce platforms are facing an increasing number of fraud threats. Effectively identifying and preventing these fraudulent activities has become a critical research problem. Traditional fraud detection methods typically rely on supervised learning, which requires large amounts of labeled data. However, such data is often difficult to obtain, and the continuous evolution of fraudulent activities further reduces the adaptability and effectiveness of traditional methods. To address this issue, this study proposes an unsupervised e-commerce fraud detection algorithm based on SimCLR. The algorithm leverages the contrastive learning framework to effectively detect fraud by learning the underlying representations of transaction data in an unlabeled setting. Experimental results on the eBay platform dataset show that the proposed algorithm outperforms traditional unsupervised methods such as K-means, Isolation Forest, and Autoencoders in terms of accuracy, precision, recall, and F1 score, demonstrating strong fraud detection capabilities. The results confirm that the SimCLR-based unsupervised fraud detection method has broad application prospects in e-commerce platform security, improving both detection accuracy and robustness. In the future, with the increasing scale and diversity of datasets, the model’s performance will continue to improve, and it could be integrated with real-time monitoring systems to provide more efficient security for e-commerce platforms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google