Page 481 - 《软件学报》2025年第9期

4392 软件学报 2025 年第 36 卷第 9 期

(depth-wise, DW) 卷积, 深度膨胀 (depth-wise dilation, DW-D) 卷积以及一个 1×1 的通道卷积, 并按照公式 (1) 和公
式 (2) 来提取样本的内容特征.
(1)
Fc i+1 = Attention⊗ Fc i

Attention = Conv 1×1 (DW-D(DW(Fc i ))) (2)
i
其中, Fc i 表示第 层内容特征, Conv 1×1 表示 1×1 卷积操作, ⊗ 表示逐元素相乘. VAN 因其可同时提取样本的局部
特征和长距离依赖而被应用于增强模型捕获内容特征的能力, 而风格特征与内容特征的需求侧重的并不相同, 更
局限于纹理、边缘和棱角等浅层特征的提取, 因此本文采用基于卷积神经网络以多尺度聚合的方式构建风格特征
生成器, 其计算公式为:

n ∑
Fs out = BiUS (Fs i ) (3)
i=0

(4)
Fs i+1 = ReLU(IN(CNN(Fc i )))+ Fc i
其中, Fs i 和 Fc i 分别表示第 层的风格特征和内容特征, IN 是实例归一化 (instance normalization), ReLU 和 CNN
i
分别是激活函数层和卷积层, BiUS 是基于双线性插值的上采样. 基于此, 模型实现了对样本的风格特征提取. 接下
来, 本文将介绍内容特征和风格特征的融合方法, 以及用于对比学习的孪生映射模块.

2.2 风格特征融合模块与孪生映射模块
风格特征融合旨在将样本的内容特征和风格信息有机融合, 以便于更好地进行欺诈检测和对比学习. 而两项
下游任务均会对特征梯度反穿从而进行监督学习. 因此, 为了更好地将语义信息用于指导模型的学习, 本文采用如
图 3(a) 所示的方式将原特征矩阵进行特征分解, 并将分解的序列特征用于特征融合与对比学习. 其中, 本文采用的
特征分解是基于滑窗卷积设计的, 公式为: L x = flatten(Conv(M x )), 其中 L x 和 M x 分别是对应的序列特征和矩阵特
征. 接着, 本文按照图 3(a) 所示的方式, 将内容特征和风格特征相融合, 对应的融合公式如下:

(5)
L f = L c ∗W att + L s ∗W att

W att = Softmax(Conv(Concatenate(L c ,L s ))) (6)
其中, L f 、 L c 和 L s 分别是融合特征、内容特征和风格特征, W att 注意力权重矩阵, Conv 和 Concatenate 分别是卷积
计算和级联计算, ∗ 是元素乘.

完
特 整 卷 卷
征 1×1 通道卷积 样
分 本 积 积
解 特 层 层
内容特征 征 全连接层 对比
特征 Softmax 共享权值 相似度 损失
堆叠 计算
乱
特 序 卷 卷
征 融合特征 辅
分 助 积 积
解 特 层 层
风格特征 征 全连接层
(a) 风格特征融合模块 (b) 基于孪生网络的特征映射模块
图 3 风格特征融合与孪生映射

需要注意的是, 本文将内容特征分别与正序和乱序两种方式的风格进行融合, 分别构成了完整样本特征和乱

序辅助特征. 具体来讲, 给定一个批处理中长度为 N 的输入序列, x i 表示输入样本, 其中 i ∈ {1,2,...,N}, 其内容特征
可以表示为 Fc(x i ), 风格特征如 Fs(x i ). 因此, 对应融合后的完整特征 Fcs(x i , x i ) 可以表示为: