面向信用卡欺诈检测的高阶图表示学习

信用卡欺诈对卡持有人和发卡行都造成了重大成本。欺诈者常常通过使用几位正常用户的合法交易来规避防欺诈检测。现有的图神经网络（GNN）模型在学习伪装的、间接的多跳交易特征方面难题，因为其在深层多层聚合中存在固有的过平滑问题，成为检测伪装关系的主要挑战。因此，本文提出了一种新型的高阶图表示学习模型（HOGRL），以避免在多层聚合过程中引入过多噪声。具体而言，HOGRL直接从高阶交易图中学习不同阶数的纯表示。通过有效构建高阶交易图，然后学习每个阶数的纯表示，从而使模型能够通过多层纯特征学习来识别欺诈者的多跳间接交易。此外，我们引入了一种混合专家注意力机制，自动确定不同阶数的重要性，以联合优化欺诈检测性能。我们在开源数据集和真实数据集上进行了大量实验，结果显示，我们提出的HOGRL相对于最先进的欺诈检测基线具有显著的改进。HOGRL的优异性能也证明了其在解决高阶欺诈伪装犯罪方面的有效性。