論文の概要: CaT-GNN: Enhancing Credit Card Fraud Detection via Causal Temporal Graph
Neural Networks
- arxiv url: http://arxiv.org/abs/2402.14708v1
- Date: Thu, 22 Feb 2024 17:08:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-23 14:25:44.740784
- Title: CaT-GNN: Enhancing Credit Card Fraud Detection via Causal Temporal Graph
Neural Networks
- Title(参考訳): CaT-GNN:Causal Temporal Graph Neural Networkによるクレジットカード不正検出の強化
- Authors: Yifan Duan, Guibin Zhang, Shilong Wang, Xiaojiang Peng, Wang Ziqi,
Junyuan Mao, Hao Wu, Xinke Jiang, Kun Wang
- Abstract要約: クレジットカード詐欺は経済に重大な脅威をもたらす。
本稿では,クレジットカード不正検出の新しい手法であるtextbfunderlineCausal textbfunderlineTemporal textbfunderlineGraph textbfunderlineNeural textbfNetwork(CaT-GNN)を紹介する。
CaT-GNNはトランザクショングラフ内の因果ノードを特定し、因果混合戦略を適用してモデルの堅牢性と解釈可能性を高める。
- 参考スコア(独自算出の注目度): 14.448467344932078
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Credit card fraud poses a significant threat to the economy. While Graph
Neural Network (GNN)-based fraud detection methods perform well, they often
overlook the causal effect of a node's local structure on predictions. This
paper introduces a novel method for credit card fraud detection, the
\textbf{\underline{Ca}}usal \textbf{\underline{T}}emporal
\textbf{\underline{G}}raph \textbf{\underline{N}}eural \textbf{N}etwork
(CaT-GNN), which leverages causal invariant learning to reveal inherent
correlations within transaction data. By decomposing the problem into discovery
and intervention phases, CaT-GNN identifies causal nodes within the transaction
graph and applies a causal mixup strategy to enhance the model's robustness and
interpretability. CaT-GNN consists of two key components: Causal-Inspector and
Causal-Intervener. The Causal-Inspector utilizes attention weights in the
temporal attention mechanism to identify causal and environment nodes without
introducing additional parameters. Subsequently, the Causal-Intervener performs
a causal mixup enhancement on environment nodes based on the set of nodes.
Evaluated on three datasets, including a private financial dataset and two
public datasets, CaT-GNN demonstrates superior performance over existing
state-of-the-art methods. Our findings highlight the potential of integrating
causal reasoning with graph neural networks to improve fraud detection
capabilities in financial transactions.
- Abstract(参考訳): クレジットカード詐欺は経済に重大な脅威をもたらす。
グラフニューラルネットワーク(GNN)に基づく不正検出手法はよく機能するが、ノードの局所構造が予測に与える影響を無視することが多い。
本稿では, 因果不変学習を利用してトランザクションデータに固有の相関関係を明らかにする, クレジットカード不正検出の新しい手法, \textbf{\underline{Ca}}usal \textbf{\underline{T}}emporal \textbf{\underline{G}}raph \textbf{\underline{N}}eural \textbf{N}etwork (CaT-GNN)を提案する。
問題を発見と介入フェーズに分解することで、CaT-GNNはトランザクショングラフ内の因果ノードを特定し、因果混合戦略を適用してモデルの堅牢性と解釈可能性を高める。
CaT-GNNはCausal-InspectorとCausal-Intervenerの2つの重要なコンポーネントで構成されている。
Causal-Inspectorは時間的注意機構の注意重みを利用して、追加パラメータを導入することなく因果ノードと環境ノードを識別する。
その後、Causal-Intervenerは、ノードセットに基づいた環境ノードの因果ミックスアップ拡張を実行する。
プライベートファイナンシャルデータセットと2つのパブリックデータセットを含む3つのデータセットで評価されたCaT-GNNは、既存の最先端メソッドよりも優れたパフォーマンスを示している。
金融取引における不正検出能力を改善するために,グラフニューラルネットワークと因果推論を統合する可能性に注目した。
関連論文リスト
- Survey on Trustworthy Graph Neural Networks: From A Causal Perspective [26.35596993740845]
グラフニューラルネットワーク(GNN)は、強力な表現学習ツールとして登場した。
GNNは信頼度に深刻な懸念を抱いている。
因果学習技術をGNNに統合することは、多くの画期的な研究を引き起こした。
論文 参考訳(メタデータ) (2023-12-19T13:26:14Z) - BOURNE: Bootstrapped Self-supervised Learning Framework for Unified
Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。
ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。
BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文 参考訳(メタデータ) (2023-07-28T00:44:57Z) - Transaction Fraud Detection via Spatial-Temporal-Aware Graph Transformer [5.043422340181098]
本稿では,トランザクション不正検出問題に対する空間時間認識グラフ変換器(STA-GT)と呼ばれる新しいグラフニューラルネットワークを提案する。
具体的には、時間的依存関係を捕捉し、それをグラフニューラルネットワークフレームワークに組み込むための時間的符号化戦略を設計する。
ローカルおよびグローバルな情報を学ぶためのトランスフォーマーモジュールを導入する。
論文 参考訳(メタデータ) (2023-07-11T08:56:53Z) - 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) - The Devil is in the Conflict: Disentangled Information Graph Neural
Networks for Fraud Detection [17.254383007779616]
性能劣化は主にトポロジと属性の矛盾に起因すると我々は主張する。
注意機構を用いて2つの視点を適応的に融合する簡易かつ効果的な手法を提案する。
我々のモデルは、実世界の不正検出データセットで最先端のベースラインを大幅に上回ることができる。
論文 参考訳(メタデータ) (2022-10-22T08:21:49Z) - 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) - How effective are Graph Neural Networks in Fraud Detection for Network
Data? [0.0]
グラフベースニューラルネットワーク(GNN)は、ノード(およびグラフ)の表現を学習するために作成された最近のモデルである。
金融詐欺は社会経済的関連性や、正の(詐欺)と負の(定期的な)取引(英語版)の間の極端な不均衡など、特定の課題を提示することで際立っている。
この2つの課題を考慮し,既存のネットワーク不正検出手法の評価実験を行った。
論文 参考訳(メタデータ) (2021-05-30T15:17:13Z) - Should Graph Convolution Trust Neighbors? A Simple Causal Inference
Method [114.48708191371524]
グラフ畳み込みネットワーク(GCN)は情報検索(IR)アプリケーションのための新興技術である。
この研究は、ほとんど精査されていないテストノードの局所的な構造差に焦点を当てている。
本稿では,GCNの動作メカニズムを因果グラフを用いて解析し,ノードの局所構造による因果効果を推定する。
論文 参考訳(メタデータ) (2020-10-22T15:21:47Z) - Graph Backdoor [53.70971502299977]
GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。
GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。
トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
論文 参考訳(メタデータ) (2020-06-21T19:45:30Z) - Alleviating the Inconsistency Problem of Applying Graph Neural Network
to Fraud Detection [78.88163190021798]
不整合問題に対処するために、新しいGNNフレームワークである$mathsfGraphConsis$を導入します。
4つのデータセットの実証分析は、不正検出タスクにおいて不整合の問題が不可欠であることを示唆している。
我々はまた、SOTAモデルを実装したGNNベースの不正検出ツールボックスもリリースした。
論文 参考訳(メタデータ) (2020-05-01T21:43:58Z)
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。