近年来,金融欺诈风险不断升级,对金融行业的良性健康发展造成一定影响。金融数据存在样本类别不平衡问题,对使用机器学习进行金融欺诈检测带来极大的挑战,本文基于自编码器和对抗生成学习对金融欺诈检测问题开展研究,构建有效的检测模型。本文首先基于自编码器结合生成对抗网络提出金融欺诈检测模型AE-G,一种通过生成潜在“欺诈样本”来辅助模型训练以增强模型分类能力的混合模型。自编码器用于金融欺诈检测可以采用基于重构误差的异常检测方法,但受限于没有欺诈样本辅助训练,检测性能的提升受到制约。AE-G基于在隐空间中正常样本和欺诈样本的隐变量分布之间存在“互补”关系的假设,借助生成对抗网络生成“欺诈交易”辅助分类训练,AE-G包含一个改进的自编码器和一个改进的生成对抗网络,改进的自编码器对重构输出再次编码,对重构输出和隐变量均进行约束以提升隐含层特征的表征能力,将其作为生成对抗网络的原始输入,改进的生成对抗网络的生成器旨在生成在隐空间中与原始输入位置“互补”的变量,基于前提假设,生成变量被作为“欺诈样本”与原始输入一起输入判别器,判别器用作分类器以区分两类样本,训练完成后,AE-G可以有效检测真实的欺诈样本。进而,本文提出基于变分自编码器的优化模型VAE-G,对AE-G前提假设和网络结构进一步优化,VAE-G利用变分自编码器的生成能力实现潜在“欺诈样本”的生成,基于在隐空间中正常交易先验分布近似标准高斯分布,而欺诈交易先验分布是与之不同但存在一定交集的另一高斯分布的前提假设,VAE-G中高斯分布转换器通过正常样本采样变量合成与之分布不同但相近的采样变量,作为“欺诈样本”的隐变量,将两种变量输入解码器生成两类样本,添加新的损失函数使解码器试图区分两类生成样本,进而与高斯转换器形成对抗关系。在解码器之后添加判别器用作分类。本文提出的两种检测模型都试图生成“欺诈样本”辅助分类训练以提升模型的检测能力,两者基于自编码器和变分自编码器的网络特点,采取了不同的“欺诈样本”生成方法,VAE-G是对AE-G模型进一步的优化。在对比实验中,本文提出的两种检测模型均表现出良好的性能,一定程度优于其他对比模型,VAE-G模型检测性能相较AE-G模型得到更大的提升,验证了本文提出的模型的有效性,为解决金融欺诈问题提供了新的思路,具有一定的价值。