Heterogeneous Graph Auto-Encoder for CreditCard Fraud Detection

要約

デジタル革命は金融取引に大きな影響を与え、クレジット カードの使用量が顕著に増加しています。
ただし、この利便性にはトレードオフが伴い、不正行為が大幅に増加します。
不正行為を検出するための従来の機械学習手法では、金融データ内に固有の相互接続性を捉えるのに苦労することがよくあります。
この論文では、金融データの異種グラフ表現に適用されるアテンション メカニズムを備えたグラフ ニューラル ネットワーク (GNN) を活用する、クレジット カード詐欺検出のための新しいアプローチを提案します。
同種のグラフとは異なり、異種グラフは、カード所有者、加盟店、取引など、金融エコシステム内のさまざまなエンティティ間の複雑な関係を捕捉し、不正行為分析のためのより豊富で包括的なデータ表現を提供します。
本物のトランザクションの数が不正なトランザクションの数を大幅に上回っている、不正データに固有のクラスの不均衡に対処するために、提案されたアプローチではオートエンコーダーを統合します。
このオートエンコーダーは、本物のトランザクションでトレーニングされ、潜在的な表現を学習し、再構築中の逸脱を潜在的な不正行為としてフラグを立てます。
この研究では、次の 2 つの重要な質問を調査します。(1) アテンション メカニズムを備えた GNN を異種グラフに適用した場合、クレジット カード詐欺をどの程度効果的に検出して防止できるか?
(2) アテンションアプローチによるオートエンコーダの有効性は従来の方法とどのように比較されますか?
結果は有望であり、提案されたモデルが Graph Sage や FI-GRL などのベンチマーク アルゴリズムを上回り、0.89 という優れた AUC-PR と 0.81 の F1 スコアを達成していることを示しています。
この研究は、アテンション メカニズムを備えた GNN を活用し、オートエンコーダーを通じてクラスの不均衡に対処することにより、不正検出システムと金融取引の全体的なセキュリティを大幅に進歩させます。

要約(オリジナル)

The digital revolution has significantly impacted financial transactions, leading to a notable increase in credit card usage. However, this convenience comes with a trade-off: a substantial rise in fraudulent activities. Traditional machine learning methods for fraud detection often struggle to capture the inherent interconnectedness within financial data. This paper proposes a novel approach for credit card fraud detection that leverages Graph Neural Networks (GNNs) with attention mechanisms applied to heterogeneous graph representations of financial data. Unlike homogeneous graphs, heterogeneous graphs capture intricate relationships between various entities in the financial ecosystem, such as cardholders, merchants, and transactions, providing a richer and more comprehensive data representation for fraud analysis. To address the inherent class imbalance in fraud data, where genuine transactions significantly outnumber fraudulent ones, the proposed approach integrates an autoencoder. This autoencoder, trained on genuine transactions, learns a latent representation and flags deviations during reconstruction as potential fraud. This research investigates two key questions: (1) How effectively can a GNN with an attention mechanism detect and prevent credit card fraud when applied to a heterogeneous graph? (2) How does the efficacy of the autoencoder with attention approach compare to traditional methods? The results are promising, demonstrating that the proposed model outperforms benchmark algorithms such as Graph Sage and FI-GRL, achieving a superior AUC-PR of 0.89 and an F1-score of 0.81. This research significantly advances fraud detection systems and the overall security of financial transactions by leveraging GNNs with attention mechanisms and addressing class imbalance through an autoencoder.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google