李占利，唐 成，靳紅梅

(西安科技大學(xué) 計算機科學(xué)與技術(shù)學(xué)院，陜西 西安 710054)

0 引 言

近年來，隨著機器學(xué)習(xí)和深度學(xué)習(xí)的迅速發(fā)展，研究人員已經(jīng)提出了許多不同層次的信用卡欺詐檢測方法。Suraj Patil等[7]使用決策樹分類的方法來檢測信用卡交易的異常行為，在精確性和穩(wěn)定性方面有很好的表現(xiàn)，但該技術(shù)需要確定標(biāo)簽數(shù)據(jù)，缺乏泛化性；Bertrand Lebichot等[8]提出了一種基于圖的半監(jiān)督信用卡欺詐檢測系統(tǒng)，使用一種集體推理算法來檢測欺詐行為，但這種方法未考慮信用卡數(shù)據(jù)中出現(xiàn)的類不平衡問題，很難判斷具體的檢測效果；Mary Frances Zeager等[9]引入合成少數(shù)過采樣技術(shù)(SMOTE)來緩解類失衡，但這種方法所生成的點很可能在多數(shù)類區(qū)域內(nèi)，這會使得分類變得困難；Dawei.Cheng等[10]將注意力三維卷積神經(jīng)網(wǎng)絡(luò)用于信用卡欺詐檢測，提出了一種基于時空注意力機制的三維卷積神經(jīng)網(wǎng)絡(luò)方法，擁有一定的實時性，但容易出現(xiàn)漏檢現(xiàn)象；Altyeb Altaher Taha等[11]利用優(yōu)化的光梯度增強機(OLightGBM)檢測信用卡交易中的欺詐行為，但該方法未考慮信用卡數(shù)據(jù)集的不平衡性，查全率較低；Ibtissam Benchaji等[12]使用SMOTE處理類不平衡問題，將注意力機制運用于LSTM深度遞歸神經(jīng)網(wǎng)絡(luò)，但該方法對SMOTE生成數(shù)據(jù)具有很好的檢測效果，但是對真實交易數(shù)據(jù)檢測效果不佳。

針對以上問題，本文首先采用SMOTETomek進行數(shù)據(jù)清洗，并基于PCA和t_SNE設(shè)計混合數(shù)據(jù)降維方法對數(shù)據(jù)進行降維處理，從而減輕模型負擔(dān)，提升模型效果；其次提出一種基于閔可夫斯基距離損失函數(shù)的生成對抗網(wǎng)絡(luò)對預(yù)處理后的數(shù)據(jù)進行學(xué)習(xí)建模，以此檢測信用卡交易中的欺詐行為。綜上所述，本文貢獻主要有以下3個方面：

(1)將PCA和t_SNE降維算法相融合，提出P_SNE算法，在具有良好數(shù)據(jù)降維效果的同時可以處理數(shù)據(jù)重疊問題。

(2)提出了一種基于LSTM和aMLP的生成對抗網(wǎng)絡(luò)用于處理信用卡欺詐檢測問題，具有更好的檢測性能。

(3)提出一種基于閔可夫斯基距離的生成對抗網(wǎng)絡(luò)損失函數(shù)(Min-loss)，用于解決生成對抗網(wǎng)絡(luò)模型訓(xùn)練不穩(wěn)定和模式崩潰問題，對于最終模型檢測效果的提升具有很大的幫助。

1 本文方法

為了解決信用卡欺詐檢測中的數(shù)據(jù)不平衡重疊和維度詛咒問題，本文首先提出一種基于PCA和t_SNE的混合數(shù)據(jù)降維方法，對數(shù)據(jù)進行預(yù)處理操作；其次提出一種基于LSTM和aMLP的端到端一類生成對抗網(wǎng)絡(luò)算法，對預(yù)處理后的數(shù)據(jù)進行訓(xùn)練檢測。本章將詳細描述該模型的基本思想及其實現(xiàn)過程。

1.1 基于PCA和t_SNE的混合數(shù)據(jù)降維方法(P_SNE)

信用卡數(shù)據(jù)集中往往存在著大量的數(shù)據(jù)重疊和維度詛咒問題，這會影響模型的判斷。在本節(jié)中，使用SMOTETomek技術(shù)對數(shù)據(jù)進行清洗，清除數(shù)據(jù)中的重疊以及異常數(shù)據(jù)部分，從而獲得純凈的正常訓(xùn)練數(shù)據(jù)，這對于之后的生成對抗網(wǎng)絡(luò)模型是至關(guān)重要的。

然而，經(jīng)過清洗后的數(shù)據(jù)其維度不會發(fā)生改變，會使得模型陷入“維數(shù)詛咒”，從而導(dǎo)致模型訓(xùn)練難度增大，最終影響模型的檢測效果。因此，本節(jié)中融合PCA和t_SNE降維技術(shù)對原始特征計算一個新的特征空間。通過PCA方法對原始數(shù)據(jù)進行簡單降維，縮小數(shù)據(jù)維度，但如果只用PCA降維，會使得數(shù)據(jù)產(chǎn)生大量的類重疊，從而影響模型的學(xué)習(xí)判斷，使得最終分類效果不佳；因此，本文在PCA降維之后加入t_SNE降維，對PCA降維后的數(shù)據(jù)重新進行特征映射，以此避免產(chǎn)生類重疊問題導(dǎo)致模型效果不佳，通過t_SNE再降維后，新的特征在原始數(shù)據(jù)方差最大的方向上，然后利用這些新的特征構(gòu)造一個更加低維的特征空間，在這個新的特征空間中，信用卡數(shù)據(jù)特征以其特征權(quán)值表示，這將使得模型訓(xùn)練更加清晰化，有效地避免了邊緣模糊問題。算法詳細過程如下：

P_SNE：基于PCA和t_SNE混合數(shù)據(jù)降維方法

輸入：樣本集D={x1，x2，…，xn}；低維空間維數(shù)k

過程：

(2)計算樣本的協(xié)方差矩陣XXT；

(3)對協(xié)方差矩陣XXT做特征值分解；

(4)取最大的m個特征值所對應(yīng)的投影矩陣W=(ω1，ω2，…，ωm)；

(5)將投影矩陣對應(yīng)作為中間數(shù)據(jù) {x(1)，x(2)，…，x(m)}；

(6)初始化困惑度參數(shù)用于求解σ，迭代次數(shù)T，學(xué)習(xí)率η和動量α(t)；

(7)開始優(yōu)化：

計算高維空間中的條件概率pi|j

使用正態(tài)分布N(0，10-4) 隨機初始化Ym*k矩陣，其中k表示最終降維維度；

從t=1，2，…，T進行迭代：

計算低維空間中的條件概率

其中y(i)為降維后數(shù)據(jù)；

計算損失函數(shù)C(y(i)) 對y(i)的梯度

更新隨機矩陣Y

輸出：Y

通過P_SNE數(shù)據(jù)降維，消除了重疊數(shù)據(jù)和“維數(shù)詛咒”對模型訓(xùn)練的影響，為進一步的數(shù)據(jù)處理減少了存儲和計算的復(fù)雜性。

1.2 基于LSTM和aMLP的生成對抗網(wǎng)絡(luò)(aLMGAN)

信用卡欺詐檢測數(shù)據(jù)中往往存在著極度的類不平衡，這樣對模型的訓(xùn)練帶來了很大的困難，使得模型會嚴(yán)重偏向于多數(shù)類，從而很難檢測出信用卡交易中的欺詐交易。本文提出一種基于生成對抗網(wǎng)絡(luò)的端到端一類分類算法(aLMGAN)，aLMGAN只使用正常多數(shù)類數(shù)據(jù)來訓(xùn)練，網(wǎng)絡(luò)在對抗學(xué)習(xí)中生成器不斷生成近似于真實的數(shù)據(jù)以欺騙判別器，而判別器對原始數(shù)據(jù)和生成數(shù)據(jù)不斷進行辨別，生成器和判別器在欺騙和辨別中不斷學(xué)習(xí)訓(xùn)練，最終判別器形成極度靠近真實數(shù)據(jù)的特征模式，對于遠離正常數(shù)據(jù)特征的異常數(shù)據(jù)具有很好的排外作用，以此達到良好的信用卡欺詐檢測效果。本文提出的生成對抗網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1所示。

圖1 aLMGAN模型結(jié)構(gòu)

從上邊結(jié)構(gòu)圖中可知，該算法主要由訓(xùn)練和測試兩部分組成。左側(cè)為生成對抗網(wǎng)絡(luò)框架，首先將正常交易數(shù)據(jù)送入P_SNE數(shù)據(jù)降維，然后將降維后的數(shù)據(jù)送入生成對抗網(wǎng)絡(luò)，通過迭代訓(xùn)練得到生成器和判別器模型通過生成器的輸出更新生成器和判別器參數(shù)，使得生成器所生成數(shù)據(jù)更加接近于真實數(shù)據(jù)，從而欺騙判別器；而判別器能夠以高靈敏度區(qū)分生成數(shù)據(jù)和真實數(shù)據(jù)。右側(cè)為異常檢測過程，應(yīng)用生成對抗網(wǎng)絡(luò)訓(xùn)練的判別器來計算正常數(shù)據(jù)和異常數(shù)據(jù)的異常評分。

1.2.1 生成器

LSTM對時間序列數(shù)據(jù)的特征提取具有良好的表現(xiàn)，因此，在本文中，采用LSTM作為生成器網(wǎng)絡(luò)，對信用卡正常交易數(shù)據(jù)進行特征提取和重建，學(xué)習(xí)正常交易數(shù)據(jù)的分布，更好地重建近似于真實數(shù)據(jù)的生成數(shù)據(jù)，以欺騙訓(xùn)練判別器網(wǎng)絡(luò)模型，最終提升信用卡欺詐檢測效果。為了實現(xiàn)這一目標(biāo)，提出兩個損失函數(shù)

(1)

(2)

以上兩個公式中，R表示生成器，即LSTM，C表示判別器，即aMLP，X表示訓(xùn)練數(shù)據(jù)；式(1)表示重建損失，本文設(shè)置為L2損失函數(shù)；式(2)為生成對抗網(wǎng)絡(luò)損失函數(shù)的一部分，本文采用L1損失函數(shù)，通過這兩個損失函數(shù)來引導(dǎo)生成器產(chǎn)生與輸入數(shù)據(jù)具有相同分布的輸出，并混淆和訓(xùn)練判別器模型，則生成器的總體培訓(xùn)目標(biāo)為

(3)

式中：pt表示真實交易的分布模式。

1.2.2 判別器

在本文中，設(shè)計一種基于自注意力機制的多層感知機判別器模型(aMLP)，旨在將原始數(shù)據(jù)與LSTM重建數(shù)據(jù)分離。因為信用卡欺詐檢測數(shù)據(jù)往往具有大量的數(shù)據(jù)重疊問題，這對于很多弱分類器而言很難達到預(yù)期的檢測效果，所以選擇MLP強分類器作判別器模型，并在判別器模型中加入self-attention，使得判別器對欺詐交易具有更高的敏感度。該模型的最終輸出是一個表示概率的單一值，其判別器損失可以表示如下

(4)

式中：pZ表示從隨機空間中抽取的一組子序列，λ是一個隨機參數(shù)在本文中設(shè)置為1.85，C表示判別器，R表示生成器，X為訓(xùn)練數(shù)據(jù)。

在判別器中self-attention模塊的基本思想就是想讓模型學(xué)會注意力，即能夠忽略無關(guān)信息而關(guān)注重點信息，通常情況是利用相關(guān)特征學(xué)習(xí)權(quán)重分布，再用學(xué)習(xí)出來的權(quán)重加在特征之上進一步提取相關(guān)知識，加權(quán)可以作用在原數(shù)據(jù)上，也可以作用在空間尺度、通道尺度上，如圖2所示是self-attention模塊的基本結(jié)構(gòu)。

圖2 自注意力模塊結(jié)構(gòu)

其中自注意力機制基本原理是self-attention模塊通過1*1卷積分為f、g和h，首先將f和g進行相似度計算得到權(quán)重，常用的相似度函數(shù)有點積、拼接、感知機等。其次使用一個softmax函數(shù)對這些權(quán)重進行歸一化處理，最后將權(quán)重γ和相應(yīng)的h進行加權(quán)求和得到最后的attention值[20]。

在本文中，γ初始化為0，首先依賴局部原本的x，然后逐漸增加非局部權(quán)重，最后將self-attention模塊與MLP模型融合作為判別器模型，將經(jīng)過訓(xùn)練的判別器模型作為信用卡欺詐交易檢測模型，對新產(chǎn)生數(shù)據(jù)實現(xiàn)欺詐檢測。

1.2.3 基于閔可夫斯基距離的損失函數(shù)(Min-loss)

在生成對抗網(wǎng)絡(luò)中，損失函數(shù)不僅用于衡量網(wǎng)絡(luò)訓(xùn)練效果，而且對于指導(dǎo)生成器和判別器的訓(xùn)練起著決定性的因素。傳統(tǒng)生成對抗網(wǎng)絡(luò)的交叉熵損失，比較擅長于學(xué)習(xí)類間的信息，但是只關(guān)心對于正確標(biāo)簽預(yù)測概率的準(zhǔn)確性而忽略了其它非正確標(biāo)簽的意義，從而導(dǎo)致模型學(xué)習(xí)到的特征比較松散，最終產(chǎn)生模式崩潰。為避免這一問題的發(fā)生，方便更好地優(yōu)化生成對抗網(wǎng)絡(luò)的訓(xùn)練，本文通過對比L1、L2、交叉熵損失函數(shù)、最小二乘損失函數(shù)的效果，通過研究閔可夫斯基距離公式，對這一類距離中的曼哈頓距離、歐氏距離和切比雪夫距離進行加權(quán)融合，設(shè)計出新的生成對抗網(wǎng)絡(luò)損失函數(shù)，在這種損失函數(shù)下，最終生成器和判別器的極大極小博弈可表示為

(5)

式中：λ是一個隨機參數(shù)，在本文中設(shè)置為1.85，用于平衡不同距離函數(shù)對整體損失函數(shù)值的占比，防止由于預(yù)測值與真實值差異過大或過小而造成的梯度爆炸問題，從而提升模型穩(wěn)定性，最終達到更高精度。

2 實 驗

2.1 實驗環(huán)境與數(shù)據(jù)集

2.1.1 實驗環(huán)境

本文采用的硬件環(huán)境為GeForce RTX2060顯卡、Intel(R) Core(TM) i7-10875H CPU，16 G內(nèi)存；軟件平臺為windows10操作系統(tǒng)，python3.6.13版本；Tensorflow2.6.2-GPU版本；CUDA11.2版本；cuDNN8.1版本。

2.1.2 實驗數(shù)據(jù)集

data1數(shù)據(jù)集(data1數(shù)據(jù)集網(wǎng)址https：//www.kaggle.com/datasets/mlg-ulb/creditcardfraud)包含284 807筆信用卡交易，這些交易于2013年9月在歐洲為期兩天的時間內(nèi)收集，其中只有492起欺詐案件占總交易數(shù)據(jù)的0.172%，其它234 315起案件為正常交易，表明數(shù)據(jù)集高度不平衡。每筆交易有30個特征，其中28個是由主成分分析獲得，另外兩個是時間和金額，這28項特征被列為V1至V28，但由于保密問題，未提供進一步信息。時間特征表示當(dāng)前事務(wù)和第一個事務(wù)之間經(jīng)過的時間，金額特征是交易中的金額，由于該數(shù)據(jù)已被標(biāo)準(zhǔn)化，在訓(xùn)練過程之前無須再進行數(shù)據(jù)處理。對于訓(xùn)練集和測試集的劃分，本文從492個欺詐案例中選擇490個案例，并從234 315個正常案例中選取相同個數(shù)的案例以生成一個平衡良好的測試集，剩余的233 825個正常案例構(gòu)成實驗訓(xùn)練數(shù)據(jù)集。data1數(shù)據(jù)集部分?jǐn)?shù)據(jù)樣例如圖3所示。

圖3 data1數(shù)據(jù)樣例

data2數(shù)據(jù)集(data2數(shù)據(jù)集網(wǎng)址https：//www.kaggle.com/datasets/kartik2112/fraud-detection)是一個模擬信用卡交易數(shù)據(jù)集，包含2019年1月1日至2020年12月31日期間的合法和欺詐交易。它涵蓋了1000名客戶的信用卡，這些客戶與800家商家進行交易，其中包含1 842 743筆正常交易和9651筆欺詐交易，同樣是一個高度不平衡數(shù)據(jù)集。每筆交易有21個特征，與data1不同的是data2未進行加密處理，數(shù)據(jù)中存在數(shù)值類型字段和字符類型字段，本文采用自編碼器對原始數(shù)據(jù)進行特征編碼，并從1 842 743個正常案例中采用隨機下采樣方法選取9651個與所有欺詐案例構(gòu)成平衡測試集，剩余正常案例全部作為實驗訓(xùn)練數(shù)據(jù)集。data2數(shù)據(jù)集部分?jǐn)?shù)據(jù)樣例如圖4所示。

圖4 data2數(shù)據(jù)樣例

本文在以上兩個kaggle基準(zhǔn)信用卡欺詐檢測數(shù)據(jù)集上訓(xùn)練測試異常檢測模型的性能。在兩個數(shù)據(jù)集中均采用隨機下采樣生成平衡良好的測試集，其余正常案例則構(gòu)成實驗訓(xùn)練集，所有對比實驗都在這兩個數(shù)據(jù)集上進行測試，而針對不同方法訓(xùn)練集做相應(yīng)的正負樣本占比調(diào)整。

2.1.3 模型參數(shù)設(shè)置

在本文中，所有實驗均在以上兩個數(shù)據(jù)集中進行，對于本文所提出的方法使用深度為3和隱藏層神經(jīng)元個數(shù)為100的LSTM網(wǎng)絡(luò)作為生成器，使用深度為4和隱藏層神經(jīng)元個數(shù)為100的MLP網(wǎng)絡(luò)作為判別器模型。在訓(xùn)練中，本文批量大小設(shè)置為300，訓(xùn)練輪數(shù)設(shè)置為100，潛在空間的維數(shù)設(shè)置為15；值的注意的是，本文使用Adam[23]算法來優(yōu)化網(wǎng)絡(luò)訓(xùn)練，并使用雙尺度更新原則，生成器和判別器學(xué)習(xí)率分別設(shè)置為5e-3和1e-3。

在本文所提出方法中，超參數(shù)對最終檢測效果的影響主要來自于PCA降維維度m、t_SNE降維維度k和損失函數(shù)中的λ值。不同的降維維度對最終實驗效果的影響較大，這需要根據(jù)原始數(shù)據(jù)維度以及數(shù)據(jù)特征進行維度選擇；而損失函數(shù)中的λ值對于模型穩(wěn)定性的訓(xùn)練起著關(guān)鍵性作用，這直接決定了模型訓(xùn)練的最終結(jié)果。經(jīng)過分析總結(jié)，本文最終設(shè)置PCA降維維度m為10，t_SNE降維維度k為3，損失函數(shù)中λ值為1.85。

2.2 實驗結(jié)果

本文使用STMTETomek進行數(shù)據(jù)清洗，并通過混合降維方式P_SNE對原數(shù)據(jù)進行降維操作，以此來解決數(shù)據(jù)重疊問題對最終檢測效果的影響。因此在本實驗中，首先使用2.1.2節(jié)所提到的data1數(shù)據(jù)集進行消融實驗，通過實驗對比來驗證所提方法對總體信用卡欺詐檢測準(zhǔn)確性、精確度、召回率和F1分評價指標(biāo)的提升，其消融實驗結(jié)果見表1。

表1 數(shù)據(jù)去重對最終效果影響消融實驗對比

由表1可以看出，本文所提出的混合降維方法P_SNE相對于加入SMOTETomek的PCA和t_SNE都表現(xiàn)出了更高的準(zhǔn)確性和召回率。而在P_SNE混合降維方法前加入SMOTETomek后，能夠在準(zhǔn)確性、精確度和召回率3個方面表現(xiàn)出比前者更好的效果，由此驗證SMOTETomek數(shù)據(jù)清洗加上P_SNE是對數(shù)據(jù)重疊問題更有效的解決方法。

為了驗證本文所提出的信用卡欺詐檢測方法的有效性，實驗首先對aLMGAN采用上述數(shù)據(jù)進行了測試，在評估中，將本文方法(aLMGAN)測試結(jié)果執(zhí)行混淆矩陣的可視化，以更加清晰直觀展示其最終效果?；煜仃嚱Y(jié)果如圖5和圖6所示。

圖5 data1結(jié)果混淆矩陣

圖6 data2結(jié)果混淆矩陣

從圖5和圖6中可以看到，本文所提方法在data1上檢測到了所有全部的異常數(shù)據(jù)，只有8條正常數(shù)據(jù)被誤判為了異常，基本可以實現(xiàn)完全檢測。而對于data2在9650條異常數(shù)據(jù)中準(zhǔn)確檢測到了9290條，在9649條正常數(shù)據(jù)中只有854條被誤報，能夠檢測到絕大多數(shù)的異常交易，并且誤報率很小。以此驗證本文所提出算法的良好性能，不但可以最小化被歸類為欺詐的正常交易數(shù)量，也能夠檢測到罕見的欺詐性交易，這對于現(xiàn)實生活中的金融服務(wù)是至關(guān)重要的。

為了進一步評估aLMGAN的性能，本文將aLMGAN與以下算法進行對比實驗(AE(Sakurada M，Yairi T 2014)[15]、LSTM-attention(Benchaji I，Douzi S，El Ouahidi B 2021)[12]、MLP(Tang，Deng，and Huang 2015)[20]、OCAN(Wu T，Wang Y 2021)[19]、DAMVI(Goyal A，Khiari J 2020)[21])，準(zhǔn)確度(Auc)、精度(Pre)、召回率(Rec)和F1分?jǐn)?shù)評價指標(biāo)的實驗結(jié)果見表2和表3。

表2 基于data1數(shù)據(jù)集的實驗效果對比

表3 基于data2數(shù)據(jù)集的實驗效果對比

如表2和表3所示，本文提出的方法在data1和data2中的準(zhǔn)確度分別為0.9876和0.9371，F(xiàn)1分?jǐn)?shù)分別為0.9856和0.9304，高于其它基線方法，這表明同時考慮精確度和召回率的情況下，本文所提出的模型達到了最佳的性能。值得注意的是，對于data1所有基線方法都擁有較好的效果，而對于data2只有DAMVI方法能夠達到90%的準(zhǔn)確性，而其它基線方法效果較差，這意味著這些基線方法只能針對特定的數(shù)據(jù)才能具有較好的效果，而隨著不法分子欺詐技術(shù)的不斷更新，很難起到一定的作用；相對于這些方法，本文方法具有很好的適用性，能夠適應(yīng)不同的信用卡交易數(shù)據(jù)，并實現(xiàn)良好的檢測效果。

與此同時，為評估本文所提降維方法和損失函數(shù)的真實有效性，本文在上述兩個數(shù)據(jù)集上進行了消融實驗，采用與上述對比實驗相同的評價指標(biāo)進行對比，結(jié)果見表4和表5。

表4 基于data1數(shù)據(jù)集的消融實驗結(jié)果對比

表5 基于data2數(shù)據(jù)集的消融實驗結(jié)果對比

在表4和表5的消融實驗中，同樣使用了前文所提到的兩個kaggle數(shù)據(jù)data1和data2。由表4和表5可知，本文所提數(shù)據(jù)降維方法和損失函數(shù)相比于PCA和t_SNE數(shù)據(jù)降維方法以及均方誤差和交叉熵損失具有更好的表現(xiàn)，能夠更加準(zhǔn)確全面地檢測到異常交易。

最后，本文繪制aLMGAN的接收機工作特性曲線(ROC)和準(zhǔn)確召回率曲線(AUPRC)(如圖7～圖10所示)。由圖7和圖8不難看出，aLMGAN在高查全率的同時兼顧低誤報率，防止因為誤報而對他人造成不良影響；通過觀察圖9和圖10可知，aLMGAN在兩個數(shù)據(jù)集中ROC曲線下面積AUC的值分別為0.9878和0.9588，均接近于1，這表明aLMGAN在信用卡欺詐檢測中具有良好的分類效果。

圖7 基于data1數(shù)據(jù)集的AUPRC曲線

圖8 基于data2數(shù)據(jù)集的AUPRC曲線

圖9 基于data1數(shù)據(jù)集的ROC曲線

圖10 基于data2數(shù)據(jù)集的ROC曲線

3 結(jié)束語

本文提出一種端到端一類分類生成對抗網(wǎng)絡(luò)(aLMGAN)信用卡欺詐檢測方法，并使用兩個真實數(shù)據(jù)集進行實驗，通過與AE、MLP、LSTM-attention、OCAN和DAMVI這5種信用卡欺詐檢測算法進行性能比較，并結(jié)合實驗結(jié)果可知，aLMGAN在兩個信用卡交易數(shù)據(jù)集中均獲得了最高的檢測準(zhǔn)確率和F1分?jǐn)?shù)，由此可見該方法具有更好的類不平衡適應(yīng)能力，表現(xiàn)出了更穩(wěn)定、更準(zhǔn)確的檢測效果。與此同時，實驗發(fā)現(xiàn)本文所提方法能夠很好地適應(yīng)于不同的數(shù)據(jù)集，之后可以將其引入其它應(yīng)用領(lǐng)域。