基于可解释不平衡数据分类方法的加密货币交易欺诈检测

来源：上海理工大学学报杂志2025年第4期北京时间：

作者：尹裴，蒋文龙，徐岩

单位：上海理工大学 管理学院，上海 200093;上海理工大学 智慧应急管理学院，上海 200093,上海理工大学 管理学院，上海 200093,北京市西城经济科学大学 基础系，北京 100120

摘要：鉴于正常和欺诈交易数据在加密货币交易样本中分布极端不平衡，以及交易数据的高维特征和非线性关系，提出了一种用于加密货币交易欺诈检测的可解释不平衡数据分类方法。首先，使用synthetic minority oversampling technique（SMOTE）过采样和对比学习的数据增强策略来平衡数据；接着，引入基于transformer的深度学习模型，学习样本相关性，并通过基于对比损失的预训练和基于贝叶斯优化的微调策略来优化模型，更好地区分正常和欺诈交易的特征分布，提取与欺诈相关的高阶、高维特征；最后，设计基于shapley additive explanations（SHAP）的解释器，结合注意力分数对模型预测进行解释，揭示不同交易特征在欺诈检测中的作用。对比实验结果表明，该模型在召回率方面表现出色，能全面识别加密货币交易中的欺诈活动。同时，在F1值上达到最佳，很好地平衡了准确率和召回率。消融实验验证了所提出的数据平衡和预训练?微调策略的必要性，说明其能有效处理不平衡数据的分类问题。研究不仅丰富了金融欺诈检测的研究体系，还增强了加密货币的交易安全性，促进市场健康发展，维护经济稳定与社会安全。

关键词：加密货币;欺诈检测;数据分布极端不平衡;可解释

基金资助：教育部人文社会科学研究项目（23YJCZH281）；国家自然科学基金资助项目（72301136）；信息网络安全公安部重点实验室开放课题资助项目（C23600）