信用卡欺诈检测的异构图自编码器
机器学习
2025-07-01 v1 人工智能
摘要
数字化革命显著影响了金融交易，导致信用卡使用量显著增加。然而，这种便利性伴随着大量欺诈活动的上升。传统的欺诈检测方法往往难以捕捉金融数据中内在的相互关联性。本文提出一种新方法，用于信用卡欺诈检测，利用图神经网络 (Graph Neural Networks, GNNs) 带注意力机制应用于金融数据的异构图表示。与均质图不同，异构图捕捉了金融生态系统中各种实体（如卡持有人、商户和交易）之间的复杂关系，为欺诈分析提供了更丰富、更全面的数据表示。为了解决欺诈数据中固有的类别不平衡问题，即真实交易远多于欺诈交易，所提方法集成了一个自编码器。该自编码器在真实交易上进行训练，学习潜在表示，并在重构时检测偏差，作为潜在的欺诈信号。本研究探讨了两个关键问题：(1) 基于异构图的带注意力机制的 GNN 能多有效地检测和防止信用卡欺诈？(2) 带注意力机制的自编码器方法与传统方法的有效性如何比较？结果令人振奋，表明所提模型优于诸如 GraphSage 和 FI-GRL 等基准算法，实现 AUC-PR 为 0.89，F1 分数为 0.81。该研究通过利用带注意力机制的 GNN 并通过自编码器解决类别不平衡问题，显著推进了欺诈检测系统和整体金融交易安全。
引用
@article{arxiv.2410.08121,
title = {Heterogeneous Graph Auto-Encoder for CreditCard Fraud Detection},
author = {Moirangthem Tiken Singh and Rabinder Kumar Prasad and Gurumayum Robert Michael and N K Kaphungkui and N. Hemarjit Singh},
journal= {arXiv preprint arXiv:2410.08121},
year = {2025}
}