CaT-GNN：通过因果时序图神经网络增强信用卡欺诈检测
机器学习
2024-11-28 v2 人工智能
统计金融
摘要
信用卡欺诈对经济构成重大威胁。虽然基于图神经网络 (GNN) 的欺诈检测方法表现良好，但它们往往忽略了节点局部结构对预测的因果效应。本文介绍了一种用于信用卡欺诈检测的新方法，即因果时序图神经网络 (Causal Temporal Graph Neural Network, CaT-GNN)，该方法利用因果不变学习来揭示交易数据中的内在相关性。通过将问题分解为发现和干预阶段，CaT-GNN 识别交易图中的因果节点，并应用因果混合策略以增强模型的鲁棒性和可解释性。CaT-GNN 由两个关键组件组成：因果检查器 (Causal-Inspector) 和因果干预器 (Causal-Intervener)。因果检查器利用时序注意力机制中的注意力权重，在不引入额外参数的情况下识别因果节点和环境节点。随后，因果干预器基于该节点集对环境节点执行因果混合增强。在包括一个私有金融数据集和两个公共数据集在内的三个数据集上的评估表明，CaT-GNN 的性能优于现有的最先进 (SOTA) 方法。我们的研究结果突出了将因果推理与图神经网络相结合以提高金融交易欺诈检测能力的潜力。
引用
@article{arxiv.2402.14708,
title = {CaT-GNN: Enhancing Credit Card Fraud Detection via Causal Temporal Graph Neural Networks},
author = {Yifan Duan and Guibin Zhang and Shilong Wang and Xiaojiang Peng and Wang Ziqi and Junyuan Mao and Hao Wu and Xinke Jiang and Kun Wang},
journal= {arXiv preprint arXiv:2402.14708},
year = {2024}
}