一篇题为《SilIF: Silhouette-Augmented Isolation Forest for Unsupervised Transaction Fraud Detection》的论文于2026年5月21日提交至arXiv（编号arXiv:2605.26135），作者为Venkatakrishnan Gopalakrishnan。该论文属于机器学习（cs.LG）方向，全文共5页，包含1幅图和5张表格，并提供了开源代码。
论文关注的是标签稀缺场景下的交易欺诈检测问题。在这类场景中，无监督异常检测被广泛采用，而孤立森林（Isolation Forest，IF）因其可扩展性和易于部署，一直是较受欢迎的经典方法之一。作者在此基础上提出了SilIF，即在孤立森林之上增加一个基于轮廓系数（silhouette）的评分层。
SilIF 的具体做法是：在由森林中各个树所诱导出的表示空间里，为每个数据点提取一个由各树路径长度组成的向量，这些向量可被视为该点的“指纹”。随后对这些指纹进行聚类，将其划分为若干结构性分组，并计算轮廓分数，用来衡量该点与其所属分组的契合程度相对于最近的其他分组有多好。最后，通过单一超参数 alpha 将轮廓信号与基础孤立森林分数结合起来。
在 IEEE-CIS 欺诈检测基准上（约59万笔交易，欺诈比例约3.5%），当 alpha=1.0 时，SilIF 在五个随机种子上平均将 AUC-PR 相比原始孤立森林提升了 +0.0080，并且在全部五个种子上均取得更优结果，配对 t 检验的 p 值为 0.046。这说明改进幅度虽不算大，但在一组固定的重复实验中表现出一致性。
论文同时报告了一个反例：在合成信用卡数据集 Sparkov 上，轮廓增强并未优于原始孤立森林。作者没有回避这一结果，而是进一步刻画了两种情况之间的区别条件，试图解释何时该增强有效、何时无效。
整体而言，论文将 SilIF 定位为一种可调、易于部署的孤立森林增强方案，并如实报告了其适用与不适用的情形。代码已发布在 GitHub 上（https://github.com/venkat15vk/silif-anomaly-detection）。