一种用于金融欺诈检测的半监督图注意力网络
社会与信息网络
2020-03-05 v1 密码学与安全
机器学习
机器学习
摘要
随着金融服务的快速增长，欺诈检测已成为保障用户与提供商健康环境的重要问题。传统的欺诈检测方案主要使用基于规则的方法或人工提取某些特征进行预测。然而，在金融服务中，用户具有丰富的交互且自身常呈现多方面信息。这些数据构成了一个大型多视角网络，传统方法未能充分利用。此外，网络中仅有极少数用户被标注，这也给仅利用标注数据以取得满意的欺诈检测性能带来了巨大挑战。为解决该问题，我们通过用户的社会关系扩展标注数据以获取未标注数据，并提出一种名为 SemiGNN 的半监督注意力图神经网络，以利用多视角标注与未标注数据进行欺诈检测。此外，我们提出一种层次化注意力机制，以更好地关联不同邻居与不同视角。同时，该注意力机制可使模型具有可解释性，并揭示欺诈的重要因素以及用户被预测为欺诈的原因。在实验上，我们在支付宝（中国最大的第三方线上线下无现金支付平台之一，服务超 4 亿用户）的用户上执行预测任务。通过利用社会关系和用户属性，我们的方法在两个任务上相比 SOTA 方法取得了更好的准确率。此外，可解释结果也给出了关于这些任务的有趣直觉。
引用
@article{arxiv.2003.01171,
title = {A Semi-supervised Graph Attentive Network for Financial Fraud Detection},
author = {Daixin Wang and Jianbin Lin and Peng Cui and Quanhui Jia and Zhen Wang and Yanming Fang and Quan Yu and Jun Zhou and Shuang Yang and Yuan Qi},
journal= {arXiv preprint arXiv:2003.01171},
year = {2020}
}
备注
icdm