Stripe Transformer支付模型：显著提升欺诈检测率

Stripe利用Transformer构建支付基础模型，通过自监督学习交易嵌入向量，显著提升信用卡攻击检测率至97%，并可应用于争议和授权等多种任务。

• Stripe 构建了一个基于 Transformer 的支付基础模型，效果显著。
• 传统机器学习模型（基于 BIN、邮编、支付方式等离散特征）在提升 Stripe 产品方面有局限性：需要选择特征，且每个任务（授权、欺诈、争议等）都需要单独训练。
• 新模型是自监督网络，为每笔交易学习密集、通用的向量，类似于语言模型的词嵌入。
• 该模型在数百亿笔交易上训练，将每笔收费的关键信号提炼成一个通用的嵌入向量。
• 可以将结果视为高维向量空间中支付的大量分布，每个嵌入的位置捕捉了丰富的数据，包括不同元素之间的关系。
• 相似的支付自然聚类：来自同一发卡行的交易更接近，来自同一银行的交易更近，共享同一电子邮件地址的交易几乎相同。
• 这些丰富的嵌入使得更容易发现细微的、对抗性的交易模式，并构建更准确的分类器（基于单个支付的特征及其与序列中其他支付的关系）。
• 在打击信用卡测试攻击方面，传统机器学习方法已经减少了 80% 的攻击。
• 新模型构建了一个分类器，摄取来自基础模型的嵌入序列，并预测流量切片是否受到攻击。它利用 Transformer 架构来检测交易序列中微妙的模式。
• 该方法将大型用户信用卡测试攻击的检测率从 59% 提高到 97%。
• 基础模型的真正力量在于，这些相同的嵌入可以应用于其他任务，如争议或授权。
• 支付具有语义意义，就像句子中的单词一样，交易具有复杂的顺序依赖关系和潜在的特征交互，这些是手动特征工程无法捕捉的。