要約
クレジットカード詐欺は経済に重大な脅威をもたらします。
グラフ ニューラル ネットワーク (GNN) ベースの不正検出手法は良好に機能しますが、予測に対するノードのローカル構造の因果関係が見落とされることがよくあります。
この論文では、クレジット カード詐欺を検出するための新しい方法、\textbf{\underline{Ca}}通常の \textbf{\underline{T}}時間的 \textbf{\underline{G}} ラフ \textbf{\underline{N を紹介します。
}}eural \textbf{N}etwork (CaT-GNN)。因果不変学習を利用して、トランザクション データ内の固有の相関関係を明らかにします。
問題を発見フェーズと介入フェーズに分解することで、CaT-GNN はトランザクション グラフ内の因果ノードを特定し、因果混合戦略を適用してモデルの堅牢性と解釈可能性を強化します。
CaT-GNN は、Causal-Inspector と Causal-Intervener という 2 つの主要なコンポーネントで構成されます。
Causal-Inspector は、時間的注意メカニズムの注意の重みを利用して、追加のパラメーターを導入することなく因果ノードと環境ノードを識別します。
続いて、Causal-Intervener は、ノードのセットに基づいて環境ノードに対して因果的混合の強化を実行します。
プライベート金融データセットと 2 つのパブリック データセットを含む 3 つのデータセットで評価された CaT-GNN は、既存の最先端の手法よりも優れたパフォーマンスを示しています。
私たちの調査結果は、金融取引における不正検出機能を向上させるために、因果推論をグラフ ニューラル ネットワークと統合する可能性を強調しています。
要約(オリジナル)
Credit card fraud poses a significant threat to the economy. While Graph Neural Network (GNN)-based fraud detection methods perform well, they often overlook the causal effect of a node’s local structure on predictions. This paper introduces a novel method for credit card fraud detection, the \textbf{\underline{Ca}}usal \textbf{\underline{T}}emporal \textbf{\underline{G}}raph \textbf{\underline{N}}eural \textbf{N}etwork (CaT-GNN), which leverages causal invariant learning to reveal inherent correlations within transaction data. By decomposing the problem into discovery and intervention phases, CaT-GNN identifies causal nodes within the transaction graph and applies a causal mixup strategy to enhance the model’s robustness and interpretability. CaT-GNN consists of two key components: Causal-Inspector and Causal-Intervener. The Causal-Inspector utilizes attention weights in the temporal attention mechanism to identify causal and environment nodes without introducing additional parameters. Subsequently, the Causal-Intervener performs a causal mixup enhancement on environment nodes based on the set of nodes. Evaluated on three datasets, including a private financial dataset and two public datasets, CaT-GNN demonstrates superior performance over existing state-of-the-art methods. Our findings highlight the potential of integrating causal reasoning with graph neural networks to improve fraud detection capabilities in financial transactions.
arxiv情報
著者 | Yifan Duan,Guibin Zhang,Shilong Wang,Xiaojiang Peng,Wang Ziqi,Junyuan Mao,Hao Wu,Xinke Jiang,Kun Wang |
発行日 | 2024-02-22 17:08:09+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google