EnsemFDet：基于二部图的集成欺诈检测方法
机器学习
2020-11-09 v4 社会与信息网络
机器学习
摘要
欺诈检测对电子商务业务极为关键。公司意图尽可能早地检测和预防欺诈。现有欺诈检测方法试图识别意外的稠密子图并将相关节点视为可疑。基于谱松弛的方法高效地解决问题但因松弛约束而损害性能。此外，许多方法无法借助并行计算加速或控制返回的可疑节点数量，因为它们提供一组具有不同节点大小的子图。这些缺陷影响了现有方法的真实世界应用。在本文中，我们提出一种基于集成的欺诈检测（EnsemFDet）方法，通过将原问题分解为小尺寸子图上的子问题来扩展二部图中的欺诈检测。通过对图进行过采样并求解子问题，该集成方法进一步投票可疑节点而不牺牲预测精度。已在来自京东（世界上最大的电子商务平台之一）的真实交易数据上进行了大量实验。实验结果证明了 EnsemFDet 的有效性、实用性和可扩展性。更具体地，由于其各方面的并行性，EnsemFDet 比最先进（SOTA）的方法快达 100 倍。
引用
@article{arxiv.1912.11113,
title = {EnsemFDet: An Ensemble Approach to Fraud Detection based on Bipartite Graph},
author = {Yuxiang Ren and Hao Zhu and Jiawei Zhang and Peng Dai and Liefeng Bo},
journal= {arXiv preprint arXiv:1912.11113},
year = {2020}
}
备注
Accepted by ICDE 2021