使用跳跃注意力图神经网络进行金融欺诈检测

随着在线金融服务的可用性持续增长，欺诈事件也相应激增。欺诈者不断寻求新的和创新的方法来规避现有的检测算法。传统上，欺诈检测依赖于基于规则的方法，其中规则是根据交易数据特征手动创建的。然而，这些技术很快变得无效，因为它们依赖于手动创建规则且无法检测复杂的数据模式。如今，金融服务业的大部分领域使用各种机器学习算法，如XGBoost、随机森林和神经网络，对交易数据进行建模。虽然这些技术已被证明比基于规则的方法更有效，但它们仍然无法捕捉不同交易之间的交互及其相互关系。最近，基于图的技术已被用于金融欺诈检测，利用图拓扑使用图神经网络（GNNs）聚合交易数据的邻域信息。尽管显示出优于先前方法的改进，但这些技术仍难以跟上欺诈者不断演变的伪装策略，并且由于过度平滑而遭受信息损失。在本文中，我们提出了一种新算法，该算法采用一种有效的邻域采样方法，适用于伪装检测并保留来自非相似节点的关键特征信息。此外，我们引入了一种新的GNN架构，该架构利用注意力机制并保留整体邻域信息以防止信息损失。我们在金融数据上测试了我们的算法，结果表明我们的方法优于其他最先进的图算法。