研究團隊提出 Multi-Stream Fraud Tran...

研究團隊提出 Multi-Stream Fraud Transformer (MSFT) 架構，旨在解決數位銀行金融詐欺偵測中需對多個異質事件流進行推理的挑戰。這些事件流包含交易、登入會話與風險信號，雖然個別看來無害，但集體組合卻能揭示詐欺模式。MSFT 透過獨立的 Transformer 編碼器處理每個事件流，並利用可配置的機制融合其表示。

研究團隊在包含 1000 萬用戶、詐欺率為 1.5% 的大規模數據集上，使用擁有 8.5 億參數的模型進行了系統性消融研究，比較了五種融合策略：拼接、閘控融合、時間感知位置編碼、跨流注意力以及完整組合。結果顯示，序列模型在 AUROC 指標上顯著優於基於聚合特徵的梯度提升樹（0.99 對 0.74）。

研究進一步證實單一流編碼至關重要，參數預算匹配的單一流 Transformer 基線僅達到 0.82 AUROC，與多流方法存在 18 個點的差距，確認了多流归纳偏置的必要性。在具體策略表現上，時間感知位置編碼達到了最高的區分能力（0.9961 AUROC），而閘控融合則產生了最佳的精確度（0.989），適合生產部署。此外，風險事件流被證實提供了最強的個別信號貢獻。

研究團隊在來自數位銀行平台的專屬生產數據上進行了驗證，顯示其 AUROC 相較於 XGBoost 基線提升了超過 22%。這表明 Multi-Stream Fraud Transformer 在處理複雜詐欺模式識別上具有顯著優勢，且其多流架構與融合策略在實際應用中表現優異。