基于自适应图神经网络的交易欺诈检测
机器学习
2023-07-13 v1
摘要
已有许多机器学习方法被提出以实现准确的交易欺诈检测，这对个人与银行的金融安全至关重要。然而，大多数现有方法仅利用原始特征或需要人工特征工程，缺乏从交易数据中学习判别性表示的能力。此外，犯罪分子常通过模仿持卡人行为来实施欺诈，导致现有检测模型性能不佳。本文提出一种基于自适应采样与聚合的图神经网络（ASA-GNN），通过学习判别性表示来提升交易欺诈检测性能。采用邻居采样策略以过滤噪声节点并为欺诈节点补充信息。具体而言，我们利用余弦相似度与边权重为目标节点自适应选择具有相似行为模式的邻居，进而为欺诈节点寻找多跳邻居。通过计算邻居间熵设计了一种邻居多样性度量，以应对欺诈者的伪装问题并显式缓解过平滑现象。在三个真实金融数据集上的大量实验表明，所提方法 ASA-GNN 优于当前最先进的方法。
引用
@article{arxiv.2307.05633,
title = {Transaction Fraud Detection via an Adaptive Graph Neural Network},
author = {Yue Tian and Guanjun Liu and Jiacun Wang and Mengchu Zhou},
journal= {arXiv preprint arXiv:2307.05633},
year = {2023}
}