新上线5天前0 投票
SilIF：基于轮廓系数的隔离森林增强，用于无监督交易欺诈检测
在金融交易欺诈检测领域，标签数据稀缺使得无监督异常检测方法备受青睐。隔离森林（Isolation Forest, IF） 因其可扩展性和易部署性成为经典方法之一。近期，一篇 arXiv 论文提出了 SilIF，一种通过引入轮廓系数（silhouette score）来增强隔离森林的无监督异常检测算法。
SilIF 的核心思路是：在隔离森林每棵树生成的路径长度向量基础上，对样本进行聚类，并计算每个样本的轮廓系数，衡量其与其所属簇的匹配度。然后将轮廓系数与原始 IF 异常分数通过一个超参数 α 融合。在 IEEE-CIS 欺诈检测基准数据集（约 59 万笔交易，欺诈率 3.5%）上，当 α=1.0 时，SilIF 的平均 AUC-PR 比原始 IF 提升 +0.0080，且在全部 5 个随机种子下均优于 IF（配对 t 检验 p=0.046）。
然而，在合成信用卡数据集 Sparkov 上，轮廓增强并未带来改进。论文分析了两种数据集的特征差异，指出 SilIF 在结构分组明显的场景下更有效。总体而言，SilIF 是一个可调、易部署的增强方案，且作者诚实地报告了其适用条件。