無監督異常檢測在交易欺詐檢測中應用廣泛，尤其在標籤稀缺的場景下。孤立森林（Isolation Forest, IF）因其可擴展性和易於部署而成為最流行的經典方法之一。然而，傳統孤立森林忽略了樣本之間的聚類結構，這限制了其在某些複雜欺詐模式下的表現。近期，研究者提出了SilIF（Silhouette-Augmented Isolation Forest），通過在孤立森林的基礎上引入基於輪廓係數（silhouette score）的評分層，有效提升了欺詐檢測性能。
SilIF的核心創新在於利用森林中每棵樹的路徑長度構建樣本的“指紋”向量。具體而言，對每個數據點，提取其在每棵樹中的路徑長度，形成高維向量。隨後，對這些向量進行聚類，將其劃分為若干結構組。接着，計算每個點的輪廓係數，該係數衡量樣本與其自身組的契合度以及與其他組的分離度。輪廓信號通過單一超參數α與原始IF分數結合，得到最終的異常得分。α控制輪廓信號的權重，使得方法可靈活調整。
在IEEE-CIS欺詐檢測基準數據集上（約59萬筆交易，欺詐率3.5%），SilIF表現出顯著優勢。當α=1.0時，在五個隨機種子上的平均AUC-PR比原始IF提高了0.0080，且在所有五個種子中均優於IF（配對t檢驗p=0.046）。這一結果表明，SilIF在真實世界的數據上能夠穩定提升檢測性能。然而，在Sparkov合成信用卡數據集中，輪廓增強並未帶來改進。研究者對兩種數據集的差異進行了深入分析，指出當數據中異常點形成清晰結構時，SilIF效果更佳；而當異常分佈較為隨機時，輪廓信號可能無效。
SilIF作為一種可調、易部署的增強方案，為孤立森林提供了一種簡單有效的改進途徑。其代碼已開源在GitHub上，便於研究者復現和進一步優化。該研究誠實地報告了方法的優勢與侷限，為實際部署提供了重要參考，有助於推動無監督欺詐檢測技術的發展。