SilIF：用于无监督交易欺诈检测的轮廓增强隔离森林

arXiv:2605.26135v1 公告类型：新 摘要：无监督异常检测广泛应用于标签稀缺的交易欺诈检测。隔离森林（IF）由于其可扩展性和易于部署而成为最流行的经典方法之一。我们提出了 SilIF，它是隔离森林的增强，它添加了一个基于轮廓的评分层，该评分层是在由森林树木引起的表示空间中计算的。对于每个点，我们提取每棵树路径长度的向量，将这些“指纹”聚类到结构组中，并计算轮廓分数，以衡量该点与最近的替代组的拟合程度。轮廓信号通过单个超参数 alpha 与基本 IF 分数相结合。在 IEEE-CIS 欺诈检测基准（约 59 万笔交易，3.5% 欺诈）上，alpha = 1.0 的 SilIF 在五个种子中平均比普通隔离森林提高了 +0.0080 AUC-PR，其中 SilIF 在所有五个种子上获胜（配对 t 检验 p=0.046）。我们还报告了合成信用卡数据集 (Sparkov) 的结果，其中轮廓增强并没有比普通 IF 有所改善，并且我们描述了区分这两种结果的条件。该论文将 SilIF 介绍为一种可调节、易于部署的隔离森林增强功能，并诚实地报告何时有用、何时无用。代码位于 https://github.com/venkat15vk/silif-anomaly-detection。