一种带自注意力机制的深度残差一维卷积神经网络用于虚拟经济中的欺诈交易检测

为什么虚拟世界需要现实世界的保护

从虚拟音乐会到数字购物中心，越来越多的钱开始流向通常被称为元宇宙的在线世界。凡有金钱流动之处，欺诈者也很快跟进。本文探讨了一类新型人工智能模型如何监控这些快速且难以追踪的交易，并实时标记高风险行为，帮助保护人们的虚拟钱包更安全。

元宇宙中的资金流动

在元宇宙中，用户购买和出售数字商品、交易虚拟土地，并在分布于全球的钱包之间转移加密货币。这些交易留下复杂的轨迹：时间戳、金额、位置、设备详情、行为模式等。与传统银行不同，这些数据量大、部分匿名且持续流动。传统的欺诈系统通常对交易做出简单的是/否判断，在这种新环境下显得力不从心。它们不擅长应对行为的变化、隐藏身份，以及在毫秒级别对每笔交易打分的需求。

将杂乱数据转化为可用信号

作者基于一个公开的元宇宙交易数据集开展工作，该数据集近8万条记录，每条都被标注为低、中或高风险。每笔交易包含14项不同的信息，例如一天中的时间、交易类型（如购买、转账或诈骗）、用户所在地区、登录频率以及计算出的风险分数。其中许多项是文字而非数值，因此团队首先用简单的编码方案将它们转换为数值形式。他们还纠正了一个现实问题：大多数交易是安全的，而高风险交易很少。为了避免模型“学会”一切都是安全的偏差，他们通过复制少数类别的高危和中危样本，使三类风险在训练集中均衡出现。

带有注意力机制的分层AI模型

这项工作的核心是基于一维卷积神经网络（1D-CNN）的深度学习模型。这类网络为序列设计，因此它可以把交易的特征更像短时序而非静态快照来处理，从而捕捉属性排列中的细微局部模式。在此基础上，作者加入了两项现代改进。残差连接像快捷通道，帮助信息更顺畅地穿过各层，使得训练更深的网络时不易陷入困境。自注意力机制则学习交易中哪些部分对判断风险最重要，给异常高的风险分数或可疑的购买模式等线索赋予更高权重。

将系统付诸测试

模型训练完成后通过多种方式评估。在平衡后的元宇宙数据集上，它在标准度量上对低、中、高风险交易都达到了完美分数：测试集中每一例风险交易都被发现并正确标注。交叉验证（反复打乱并划分数据）表明这种表现是稳定的，而不是某次划分的侥幸结果。作者还比较了不同的架构变体——仅用1D-CNN、只加残差连接、只加注意力，或两者结合——发现在这个干净的数据集上各版本在顶层准确率上相近，尽管完整版本训练较慢。为探测鲁棒性，他们故意加入不同类型的噪声和扰动；在强烈损坏下性能下降，但在特征随机缺失时仍保持强劲。t-SNE 等可视化工具显示，处理后交易在三类风险上整齐地聚类，表明模型确实区分了底层行为。

超越元宇宙：传统欺诈检测也适用

为检验方法的泛化能力，团队将相同的增强型1D-CNN应用于一个广泛使用的欧洲信用卡欺诈数据集，该数据集也存在严重类别不平衡问题。在仅对训练部分做平衡处理并保留测试集不变的条件下，模型达到了约94%的准确率，并在欺诈样本上取得了类似的高精度和召回率。这表明该架构不仅适用于元宇宙数据，也能处理更传统的刷卡交易，为虚拟和传统金融系统提供了一种统一的风险评分方法。

这对普通用户意味着什么

对非专业读者来说，关键信息很直接：随着我们在数字世界中投入更多时间和金钱，需要在大门口配备更聪明的守卫。这项研究表明，精心设计的AI模型可以在嘈杂且快速变化的元宇宙交易流中筛选出日常活动与真正可疑行为，同时在普通信用卡数据上也表现良好。尽管作者承认在干净、类似合成的数据集上取得的接近完美表现不一定在所有现实场景中都成立，他们的噪声与压力测试表明这是一个坚实的基础。实际上，这类系统可以帮助平台和银行及早发现危险模式，减少欺诈损失，并让用户更有信心相信他们的虚拟资产正在被实时监控。

引用: Mohammed, K.K., Abdo, A.S., Darwish, A. et al. A deep residual 1D-CNN with self-attention for fraud transaction detection in virtual economies. Sci Rep 16, 6150 (2026). https://doi.org/10.1038/s41598-026-37032-w

关键词: 元宇宙金融, 欺诈检测, 深度学习, 风险分类, 虚拟交易