用于金融犯罪检测的时间对比变压器：通过预测对比编码进行自监督序列嵌入

arXiv:2605.21490v1 公告类型：新 摘要：我们介绍了时间对比变换器 (TCT)，这是一种表示学习框架，旨在捕获金融交易序列中的上下文时间动态。该模型使用自我监督的对比目标进行训练，以生成随着时间的推移对行为模式进行编码的嵌入，其目标是支持下游欺诈检测任务。我们通过使用学习到的嵌入作为梯度增强分类器的输入特征，在现实环境中评估 TCT。实验结果表明，仅嵌入即可实现有意义的预测性能（AUC 0.8644），表明该模型捕获了不平凡的时间结构。然而，当与领域工程特征相结合时，与基线相比没有观察到可测量的改进（AUC 0.9205 vs. 0.9245），这表明学习到的表示在很大程度上与现有的特征抽象重叠。这些发现将 TCT 定位为一种有前途的表征学习方法，可以捕获相关的行为信号，同时强调在强大的领域特征上实现附加价值的挑战。结果反映了用于金融犯罪检测的时间表示学习发展的中间阶段，并激发了对模型架构、训练目标和集成策略的进一步研究。在这个早期阶段，实现与强大的特征工程基线相当的性能本身就是一个有意义的结果，这表明学习的表示近似于特定领域的特征，而无需手动工程。虽然尚未准备好投入生产，但这些结果为减少金融犯罪检测中对特征工程的依赖指明了一个有希望的方向。