Synthetic Tabular Generators Fail to Preserve Behavioral Fraud Patterns: A Benchmark on Temporal, Velocity, and Multi-Account Signals

Diese Forschung führt „Verhaltensfidelität“ als neue Bewertungsdimension für synthetische tabellarische Daten ein, die misst, ob generierte Daten zeitliche und strukturelle Verhaltensmuster bewahren, die für die Betrugserkennung entscheidend sind. Sie beweist, dass dominante zeilenunabhängige Generatoren prinzipiell unfähig sind, komplexe Betrugsgraph-Motive mit mehreren Konten zu reproduzieren.