半监督供应链欺诈检测与无监督预过滤.pdfVIP

半监督供应链欺诈检测与无监督预过滤

FatemehMoradiMehranTarifMohammadhosseinHomaei

FacultyofEngineeringDepartmentofComputerScienceMediaEngineeringGroup

Isfahan(Khorasgan)Branch,UniversityofVeronaUniversityofExtremadura

IslamicAzadUniversityVerona,ItalyCáceres,Spain

Isfahan,Iran

摘要—检测现代供应链中的欺诈行为是一个日益严峻的挑基准。Constante-Nicolalde等人[2]探索了物联网集成

战，这由全球网络的复杂性和标记数据的稀缺性驱动。传统检测的智能供应链欺诈预测。Baryannis等人[3]考察了机

方法常常因类别不平衡和监督有限而难以应对，降低了其在实际器学习在供应链风险预测中的性能可解释性权衡。

应用中的有效性。本文提出了一种新的两阶段学习框架来解决这

本为解决这些限制，创新的欺诈检测系统必须在处理

些挑战。在第一阶段，隔离森林算法执行无监督异常检测以识别

译潜在欺诈案例并减少需要进一步分析的数据量。在第二阶段，自有限标签数据的同时通过结合多种学习范式的混合方

中训练支持向量机（SVM）通过使用标记和高置信度伪标记样本法维持高检测准确性和计算效率。先前的工作探讨了人

1改进预测，实现稳健的半监督学习。所提出的方法在DataCo工智能在增强数字基础设施（包括数字孪生系统）中的

v智能供应链数据集上进行了评估，该数据集是一个包含欺诈指标网络安全作用，强调使用混合AI技术来检测复杂和不

4

7的全面实际供应链数据集。它实现了0.817的F1分数，同时将断演变的威胁[9]–[11]。本文提出了一种新颖的两阶段

5假阳性率控制在3.0%以下。这些结果证明了结合无监督预过滤

6学习模型，结合无监督异常检测与半监督学习优化。第

0与半监督改进的有效性和效率，用于在现实世界约束下的供应链

.欺诈检测，尽管我们承认在概念漂移和需要与深度学习方法进行一阶段采用隔离森林进行高效的离群点识别，无需标签

8

0比较方面的局限性。训练数据[8]。第二阶段利用自我训练支持向量机通过

5关键词：供应链欺诈检测，孤立森林，自我训练SVM，半迭代扩展高置信度预测的标签数据集来优化检测结果

2

:监督学习，异常检测，类别不平衡问题[12]。该方法解决了关键挑战，包括计算效率、类别不

v

iI.介绍平衡处理以及有限标签数据的有效利用，在供应链欺诈

x

r检测系统中发挥作用。本文其余部分组织如下。第II节

a供应链欺诈已成为全球商业面临的关键威胁，组织

回顾了供应链中的欺诈检测和机器学习方法的最新相

在复杂供应网络中遭遇的欺诈计划越来越复杂[1]。供

关工作。第III节解释所提出的两阶段模型，包括隔离

应链的数字化创造了新的脆弱性，使各种欺诈活动得

森林和自我训练SVM。第IV节描述了实验设置，包括

以实施，包括采购欺诈、供应商冒充、发票篡改和假

数据集、评估指标和基线方法。第V节展示了并讨论了

冒商品渗透[2]。这些活动导致全球企业遭受巨大的财