論文の概要: SEFraud: Graph-based Self-Explainable Fraud Detection via Interpretative Mask Learning
- arxiv url: http://arxiv.org/abs/2406.11389v1
- Date: Mon, 17 Jun 2024 10:18:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-18 15:21:39.047449
- Title: SEFraud: Graph-based Self-Explainable Fraud Detection via Interpretative Mask Learning
- Title（参考訳）: SEFraud: 解釈型マスク学習によるグラフベースの自己説明可能なフラッド検出
- Authors: Kaidi Li, Tianmeng Yang, Min Zhou, Jiahao Meng, Shendi Wang, Yihui Wu, Boshuai Tan, Hu Song, Lujia Pan, Fan Yu, Zhenli Sheng, Yunhai Tong,
- Abstract要約: グラフベースの不正検出は、スパムレビューや悪意のあるアカウント検出など、現代の業界シナリオで広く適用されている。
これまでの研究は、GNNExplainerのようなポストホックな説明手法を使って、特定のインスタンスの説明を作成しようとしてきた。
グラフに基づく自己説明可能な不正検出フレームワークSEFraudを提案する。
- 参考スコア（独自算出の注目度）: 19.774363067972725
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph-based fraud detection has widespread application in modern industry scenarios, such as spam review and malicious account detection. While considerable efforts have been devoted to designing adequate fraud detectors, the interpretability of their results has often been overlooked. Previous works have attempted to generate explanations for specific instances using post-hoc explaining methods such as a GNNExplainer. However, post-hoc explanations can not facilitate the model predictions and the computational cost of these methods cannot meet practical requirements, thus limiting their application in real-world scenarios. To address these issues, we propose SEFraud, a novel graph-based self-explainable fraud detection framework that simultaneously tackles fraud detection and result in interpretability. Concretely, SEFraud first leverages customized heterogeneous graph transformer networks with learnable feature masks and edge masks to learn expressive representations from the informative heterogeneously typed transactions. A new triplet loss is further designed to enhance the performance of mask learning. Empirical results on various datasets demonstrate the effectiveness of SEFraud as it shows considerable advantages in both the fraud detection performance and interpretability of prediction results. Moreover, SEFraud has been deployed and offers explainable fraud detection service for the largest bank in China, Industrial and Commercial Bank of China Limited (ICBC). Results collected from the production environment of ICBC show that SEFraud can provide accurate detection results and comprehensive explanations that align with the expert business understanding, confirming its efficiency and applicability in large-scale online services.
- Abstract（参考訳）: グラフベースの不正検出は、スパムレビューや悪意のあるアカウント検出など、現代の業界シナリオで広く適用されている。
適切な不正検知器の設計に多大な努力が注がれているが、その結果の解釈可能性はしばしば見過ごされている。
これまでの研究は、GNNExplainerのようなポストホックな説明手法を使って、特定のインスタンスの説明を作成しようとしてきた。
しかし、ポストホックな説明はモデル予測を促進することができず、これらの手法の計算コストは実際の要件を満たすことができず、現実のシナリオでの応用を制限することができる。
これらの問題に対処するために,新しいグラフベースの自己説明可能な不正検出フレームワークSEFraudを提案する。
具体的には、SEFraudはまず、学習可能な特徴マスクとエッジマスクを備えたカスタマイズされた異種グラフトランスフォーマーネットワークを活用して、情報に富んだ不均一型付きトランザクションから表現表現を学習する。
新しい三重項損失は、マスク学習の性能を高めるためにさらに設計されている。
各種データセットにおける実験結果から,SEFraudの有効性は,不正検出性能と予測結果の解釈可能性の両方において有意な優位性を示す。
さらに、SEFraudは中国最大の銀行である中国工業商業銀行(ICBC)に対して、説明可能な不正検出サービスを提供している。
ICBCの生産環境から収集した結果から,SEFraudは,大規模オンラインサービスにおける効率性と適用性を確認するとともに,専門家のビジネス理解と整合した,正確な検出結果と包括的説明を提供することができた。
関連論文リスト
- Utilizing GANs for Fraud Detection: Model Training with Synthetic
Transaction Data [0.0]
本稿では,GAN(Generative Adversarial Networks)の不正検出への応用について検討する。
GANは複雑なデータ分散のモデリングにおいて有望であり、異常検出のための効果的なツールである。
この研究は、ディープラーニング技術によるトランザクションセキュリティの強化におけるGANの可能性を実証している。
論文 参考訳（メタデータ） (2024-02-15T09:48:20Z) - Token-Level Adversarial Prompt Detection Based on Perplexity Measures
and Contextual Information [67.78183175605761]
大規模言語モデルは、敵の迅速な攻撃に影響を受けやすい。
この脆弱性は、LLMの堅牢性と信頼性に関する重要な懸念を浮き彫りにしている。
トークンレベルで敵のプロンプトを検出するための新しい手法を提案する。
論文 参考訳（メタデータ） (2023-11-20T03:17:21Z) - 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) - LaundroGraph: Self-Supervised Graph Representation Learning for
Anti-Money Laundering [5.478764356647437]
LaundroGraphは、新しい教師付きグラフ表現学習アプローチである。
マネーロンダリング防止プロセスを支援するための洞察を提供する。
我々の知る限りでは、これはAML検出の文脈における最初の完全自己教師システムである。
論文 参考訳（メタデータ） (2022-10-25T21:58:02Z) - 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) - 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) - xFraud: Explainable Fraud Transaction Detection [18.43531904043454]
xFraud検出器は、受信トランザクションの正当性を効果的かつ効率的に予測することができる。
xFraudの解説者は、グラフから有意義で人間の理解可能な説明を生成することができる。
論文 参考訳（メタデータ） (2020-11-24T16:37:15Z) - ScoreGAN: A Fraud Review Detector based on Multi Task Learning of
Regulated GAN with Data Augmentation [50.779498955162644]
生成・検出プロセスにおけるレビューテキストとレビューレーティングスコアの両方を利用した不正レビュー検出のためのScoreGANを提案する。
その結果,提案フレームワークは,既存の最先端フレームワークであるFakeGANをAPの7%,YelpとTripAdvisorのデータセットで5%上回る性能を示した。
論文 参考訳（メタデータ） (2020-06-11T16:15:06Z) - 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) - A Semi-supervised Graph Attentive Network for Financial Fraud Detection [30.645390612737266]
本稿では,多視点ラベル付きおよびラベルなしデータを不正検出に用いる半教師付き減衰型グラフニューラルネットワークSemiSemiGNNを提案する。
ソーシャルリレーションとユーザ属性を利用することで,2つのタスクにおける最先端手法と比較して精度が向上する。
論文 参考訳（メタデータ） (2020-02-28T10:35:25Z)
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。