BRIGHT——图神经网络在实时欺诈检测中的应用
机器学习
2022-08-25 v2 人工智能
摘要
检测欺诈交易是电商市场控制风险的重要组成部分。除了已部署于生产环境的基于规则和机器学习的过滤器外，我们希望借助图神经网络（GNNs）实现高效的实时推理，这有助于捕捉交易图中的多跳风险传播。然而，在生产中部署 GNNs 面临两个挑战。首先，动态图中的未来信息不应在消息传递中用于预测过去。其次，图查询与 GNN 模型推理的延迟通常高达数百毫秒，对某些关键在线服务而言代价高昂。为应对这些挑战，我们提出批处理与实时初始图拓扑（BRIGHT）框架，以进行端到端 GNN 学习，实现高效的在线实时推理。BRIGHT 框架由图变换模块（两阶段有向图）及相应的 GNN 架构（Lambda 神经网络）组成。两阶段有向图保证通过邻居传递的信息仅来自历史支付交易。它由分别代表历史关系和实时链接的两个子图构成。Lambda 神经网络将推理解耦为两个阶段：实体嵌入的批处理推理与交易预测的实时推理。我们的实验表明，BRIGHT 在精度上平均优于基线模型 >2%。此外，BRIGHT 在计算上对实时欺诈检测高效。在端到端性能（含邻居查询与推理）方面，BRIGHT 可将 P99 延迟降低 >75%。在推理阶段，相较传统 GNN，我们的加速平均达 7.8。
引用
@article{arxiv.2205.13084,
title = {BRIGHT -- Graph Neural Networks in Real-Time Fraud Detection},
author = {Mingxuan Lu and Zhichao Han and Susie Xi Rao and Zitao Zhang and Yang Zhao and Yinan Shan and Ramesh Raghunathan and Ce Zhang and Jiawei Jiang},
journal= {arXiv preprint arXiv:2205.13084},
year = {2022}
}
备注
CIKM Acceptance