面向账户接管欺诈的时空有向图学习
机器学习
2025-09-25 v1
摘要
账户接管 (ATO) 欺诈是消费者银行业面临的重大挑战，需要在严格的延迟要求下实现高召回率，同时最小化对合法用户的干扰。生产系统通常依赖于基于表格的梯度提升决策树 (如 XGBoost)，独立对每个会话进行评分，忽略了构成协调攻击和“欺诈集团”的线上活动的关系性和时序性结构。我们提出 ATLAS (Account Takeover Learning Across Spatio-Temporal Directed Graph)，将 ATO 检测重新表述为时空有向会话图上的节点分类问题。ATLAS 通过共享标识符 (账户、设备、IP) 链接实体，并通过时窗和新鲜度约束调节连接，实现因果、时序相关的消息传递和延迟感知的标签传播，该传播仅使用评分时可用的所有标签，具有非预测性和无泄漏性。我们使用在 sessions 图上规模化的 GraphSAGE 变体进行操作化，通过邻域采样进行训练，该图拥有超过 10000 万节点和约 10 亿条边。在 Capital One 的一个高风险数字产品上，ATLAS 实现了 6.38% 的 AUC 提升，并实现了超过 50% 的客户干扰减少，在提高欺诈捕获的同时降低了用户干扰。
引用
@article{arxiv.2509.20339,
title = {Spatio-Temporal Directed Graph Learning for Account Takeover Fraud Detection},
author = {Mohsen Nayebi Kerdabadi and William Andrew Byron and Xin Sun and Amirfarrokh Iranitalab},
journal= {arXiv preprint arXiv:2509.20339},
year = {2025}
}
备注
This paper has been accepted at NeurIPS 2025 workshop New Perspective in Graph Machine Learning (NPGML)