論文の概要: InfDetect: a Large Scale Graph-based Fraud Detection System for
E-Commerce Insurance
- arxiv url: http://arxiv.org/abs/2003.02833v3
- Date: Thu, 12 Mar 2020 09:24:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 06:51:02.547147
- Title: InfDetect: a Large Scale Graph-based Fraud Detection System for
E-Commerce Insurance
- Title（参考訳）: infdetect:eコマース保険のための大規模グラフに基づく不正検出システム
- Authors: Cen Chen, Chen Liang, Jianbin Lin, Li Wang, Ziqi Liu, Xinxing Yang,
Xiukun Wang, Jun Zhou, Yang Shuang, Yuan Qi
- Abstract要約: InfDetectは最大1億のノードと数十億のエッジを含む巨大なグラフを処理することができる。
本稿では,デバイス共有グラフ,トランザクショングラフ,友情グラフ,バイヤーセラーグラフなど,不正なマイニングを容易にするさまざまなグラフについて検討する。
InfDetectは何千もの不正なクレームを検知し、毎日数万ドル以上を節約した。
- 参考スコア（独自算出の注目度）: 24.49258957908707
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The insurance industry has been creating innovative products around the
emerging online shopping activities. Such e-commerce insurance is designed to
protect buyers from potential risks such as impulse purchases and counterfeits.
Fraudulent claims towards online insurance typically involve multiple parties
such as buyers, sellers, and express companies, and they could lead to heavy
financial losses. In order to uncover the relations behind organized fraudsters
and detect fraudulent claims, we developed a large-scale insurance fraud
detection system, i.e., InfDetect, which provides interfaces for commonly used
graphs, standard data processing procedures, and a uniform graph learning
platform. InfDetect is able to process big graphs containing up to 100 millions
of nodes and billions of edges. In this paper, we investigate different graphs
to facilitate fraudster mining, such as a device-sharing graph, a transaction
graph, a friendship graph, and a buyer-seller graph. These graphs are fed to a
uniform graph learning platform containing supervised and unsupervised graph
learning algorithms. Cases on widely applied e-commerce insurance are described
to demonstrate the usage and capability of our system. InfDetect has
successfully detected thousands of fraudulent claims and saved over tens of
thousands of dollars daily.
- Abstract（参考訳）: 保険業界は、新興オンラインショッピング活動に関する革新的な製品を生み出している。
このようなeコマース保険は、衝動購入や偽造などの潜在的なリスクから購入者を保護するように設計されている。
オンライン保険に対する過激な主張は、通常、買い手、売り手、急行会社などの複数の当事者を巻き込み、大きな損失をもたらす可能性がある。
組織的詐欺師の背景にある関係を解明し,不正行為を検知するために,一般的なグラフのインターフェース,標準データ処理手順,統一的なグラフ学習プラットフォームを提供する大規模保険詐欺検知システムInfDetectを開発した。
InfDetectは最大1億のノードと数十億のエッジを含む巨大なグラフを処理することができる。
本稿では,デバイス共有グラフ,トランザクショングラフ,フレンドシップグラフ,バイヤーセラーグラフなど,詐欺師マイニングを容易にするために,異なるグラフを調査した。
これらのグラフは、教師付きおよび教師なしグラフ学習アルゴリズムを含む一様グラフ学習プラットフォームに供給される。
本システムの利用と能力を示すために, 広く適用された電子商取引保険の事例について述べる。
InfDetectは何千もの不正なクレームを検知し、毎日数万ドル以上を節約した。
関連論文リスト
- GraphGuard: Contrastive Self-Supervised Learning for Credit-Card Fraud Detection in Multi-Relational Dynamic Graphs [5.182014186927255]
本稿では,不正なクレジットカード取引を検出するためのグラフベースのフレームワークであるGraphGuardを紹介する。
本研究は,クレジットカード不正検出のためのグラフベースの自己教師型手法の有効性を検討する上で,有望な初期方向性を提供する。
論文 参考訳（メタデータ） (2024-07-17T09:50:58Z) - Transaction Fraud Detection via an Adaptive Graph Neural Network [64.9428588496749]
本稿では,アダプティブサンプリングとアグリゲーションに基づくグラフニューラルネットワーク(ASA-GNN)を提案する。
ノイズの多いノードをフィルタリングし、不正なノードを補うために、隣のサンプリング戦略を実行する。
3つのファイナンシャルデータセットの実験により,提案手法のASA-GNNは最先端のデータセットよりも優れていることが示された。
論文 参考訳（メタデータ） (2023-07-11T07:48:39Z) - On some studies of Fraud Detection Pipeline and related issues from the
scope of Ensemble Learning and Graph-based Learning [0.5820960526832067]
英国の反詐欺チャリティーであるFraud Advisory Panelは、詐欺のビジネスコストを1440億ドルと見積もっている。
効率的な不正検出システムの構築は、不均衡なデータや計算コストなど、多くの困難な問題のために困難である。
論文 参考訳（メタデータ） (2022-05-10T02:13:58Z) - Deep Fraud Detection on Non-attributed Graph [61.636677596161235]
グラフニューラルネットワーク(GNN)は不正検出に強い性能を示している。
ラベル付きデータは大規模な産業問題、特に不正検出には不十分である。
よりラベルのないデータを活用するための新しいグラフ事前学習戦略を提案する。
論文 参考訳（メタデータ） (2021-10-04T03:42:09Z) - Software Vulnerability Detection via Deep Learning over Disaggregated
Code Graph Representation [57.92972327649165]
この研究は、コードコーパスから安全でないパターンを自動的に学習するためのディープラーニングアプローチを探求する。
コードには解析を伴うグラフ構造が自然に認められるため,プログラムの意味的文脈と構造的規則性の両方を利用する新しいグラフニューラルネットワーク(GNN)を開発する。
論文 参考訳（メタデータ） (2021-09-07T21:24:36Z) - Relational Graph Neural Networks for Fraud Detection in a Super-App
environment [53.561797148529664]
スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。
我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。
以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
論文 参考訳（メタデータ） (2021-07-29T00:02:06Z) - DFraud3- Multi-Component Fraud Detection freeof Cold-start [50.779498955162644]
コールドスタート(Cold-start)は、新しいユーザの認証に検出システムが失敗したことを指す重要な問題である。
本稿では,各コンポーネントに固有の表現を可能にする異種情報ネットワーク (HIN) としてレビューシステムをモデル化する。
HINとグラフ誘導はカモフラージュ問題(本物のレビュー付き詐欺師)に対処するのに役立ち、これはコールドスタートと組み合わされた場合、すなわち真に最初のレビューを持つ新しい詐欺師がより深刻であることが示されている。
論文 参考訳（メタデータ） (2020-06-10T08:20:13Z) - Uncovering Insurance Fraud Conspiracy with Network Learning [34.609076567889694]
我々は,組織的な詐欺師の集団を識別する新しいデータ駆動手法を開発した。
請求者間でデバイス共有ネットワークを導入する。
そこで我々は,グラフ学習アルゴリズムに基づく不正検出の自動解法を開発した。
論文 参考訳（メタデータ） (2020-02-27T13:15:30Z) - Adversarial Attack on Community Detection by Hiding Individuals [68.76889102470203]
我々はブラックボックス攻撃に焦点をあて、ディープグラフコミュニティ検出モデルの検出からターゲット個人を隠すことを目的としている。
本稿では,制約付きグラフ生成器として動作するモジュールと,サロゲート型コミュニティ検出モデルとして動作するモジュールを交互に更新する反復学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-01-22T09:50:04Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。