論文の概要: Effective High-order Graph Representation Learning for Credit Card Fraud Detection

• arxiv url: http://arxiv.org/abs/2503.01556v1
• Date: Mon, 03 Mar 2025 13:59:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:22:56.840409
• Title: Effective High-order Graph Representation Learning for Credit Card Fraud Detection
• Title（参考訳）: クレジットカード不正検出のための高次グラフ表現学習
• Authors: Yao Zou, Dawei Cheng,
• Abstract要約: 詐欺師は、いくつかの良心的なユーザーを通して合法的な取引を使用して、反詐欺検出を回避して犯罪を偽装することが多い。 既存のグラフニューラルネットワーク(GNN)モデルは、カモフラージュされた間接的マルチホップトランザクションの学習機能に苦慮している。 本稿では,多層アグリゲーションプロセスにおける過剰ノイズの回避を目的とした,新しい高次グラフ表現学習モデル(HOGRL)を提案する。
• 参考スコア（独自算出の注目度）: 11.174026504498931
• License:
• Abstract: Credit card fraud imposes significant costs on both cardholders and issuing banks. Fraudsters often disguise their crimes, such as using legitimate transactions through several benign users to bypass anti-fraud detection. Existing graph neural network (GNN) models struggle with learning features of camouflaged, indirect multi-hop transactions due to their inherent over-smoothing issues in deep multi-layer aggregation, presenting a major challenge in detecting disguised relationships. Therefore, in this paper, we propose a novel High-order Graph Representation Learning model (HOGRL) to avoid incorporating excessive noise during the multi-layer aggregation process. In particular, HOGRL learns different orders of \emph{pure} representations directly from high-order transaction graphs. We realize this goal by effectively constructing high-order transaction graphs first and then learning the \emph{pure} representations of each order so that the model could identify fraudsters' multi-hop indirect transactions via multi-layer \emph{pure} feature learning. In addition, we introduce a mixture-of-expert attention mechanism to automatically determine the importance of different orders for jointly optimizing fraud detection performance. We conduct extensive experiments in both the open source and real-world datasets, the result demonstrates the significant improvements of our proposed HOGRL compared with state-of-the-art fraud detection baselines. HOGRL's superior performance also proves its effectiveness in addressing high-order fraud camouflage criminals.
• Abstract（参考訳）: クレジットカード詐欺は、カード所有者と発行銀行の両方にかなりのコストを課している。 詐欺師は、いくつかの良心的なユーザーを通して合法的な取引を使用して、反詐欺行為の検出をバイパスするなど、犯罪を偽装することが多い。 既存のグラフニューラルネットワーク(GNN)モデルは、深い多層アグリゲーションにおける過度に平滑な問題のために、カモフラージュされた間接的マルチホップトランザクションの学習機能に苦慮しており、偽装関係を検出する上で大きな課題となっている。 そこで本稿では,多層アグリゲーションプロセスにおける過度ノイズの回避を目的とした,新しい高次グラフ表現学習モデル(HOGRL)を提案する。 特に、HOGRLは高階トランザクショングラフから直接 \emph{pure} 表現の異なる順序を学習する。 この目的は,まず高階トランザクショングラフを効果的に構築し,次に各注文のemph{pure}表現を学習することにより,モデルが多層型 \emph{pure} 特徴学習を通じて,詐欺師の間接トランザクションを識別できるようにする。 さらに,異なる順序の重要度を自動的に判定し,不正検出性能を最適化する混合型注意機構を導入する。 オープンソースと実世界の両方のデータセットで広範な実験を行い、その結果、最先端の不正検出ベースラインと比較して、提案したHOGRLの大幅な改善が示された。 HOGRLの優れたパフォーマンスは、高次の詐欺カモフラージュ犯罪者に対処する効果も証明している。

関連論文リスト

• A Label-Free Heterophily-Guided Approach for Unsupervised Graph Fraud Detection [60.09453163562244]
  本稿では,非教師付きGFDのための非教師付きグラフ不正検出手法(HUGE)を提案する。 推定モジュールでは、GFD の臨界グラフ特性をキャプチャする HALO と呼ばれる新しいラベルフリーなヘテロフィリー計量を設計する。 アライメントに基づく不正検出モジュールにおいて、ランキング損失と非対称アライメント損失を有する合同GNNアーキテクチャを開発する。
  論文  参考訳（メタデータ） (2025-02-18T22:07:36Z)
• Semi-supervised Credit Card Fraud Detection via Attribute-Driven Graph Representation [28.745101225936697]
  不正検出のための半教師付きグラフニューラルネットワークを提案する。 具体的には、トランザクションレコードを活用して、時間的トランザクショングラフを構築します。 次に、Gated Temporal Attention Network (GTAN)を介してノード間でメッセージを渡し、トランザクション表現を学習します。
  論文  参考訳（メタデータ） (2024-12-24T08:48:48Z)
• Heterogeneous Graph Auto-Encoder for CreditCard Fraud Detection [0.7864304771129751]
  本稿では、金融データの異種グラフ表現に注意機構を応用したグラフニューラルネットワーク(GNN)を用いたクレジットカード不正検出手法を提案する。 提案モデルはグラフセージやFI-GRLなどのベンチマークアルゴリズムより優れており、AUC-PRが0.89、F1スコアが0.81である。
  論文  参考訳（メタデータ） (2024-10-10T17:05:27Z)
• Securing Transactions: A Hybrid Dependable Ensemble Machine Learning Model using IHT-LR and Grid Search [2.4374097382908477]
  本稿では,複数のアルゴリズムをインテリジェントに組み合わせて不正識別を強化する,最先端のハイブリッドアンサンブル(ENS)機械学習(ML)モデルを提案する。 実験は,284,807件の取引からなる公開クレジットカードデータセットを用いて実施した。 提案したモデルは、99.66%、99.73%、98.56%、99.79%の精度で、それぞれDT、RF、KNN、ENSモデルに完全100%の精度を実現している。
  論文  参考訳（メタデータ） (2024-02-22T09:01:42Z)
• Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
  ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。 既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。 本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-07-31T10:22:33Z)
• 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)
• Hierarchical Forgery Classifier On Multi-modality Face Forgery Clues [61.37306431455152]
  我々は,HFC-MFFD (hierarchical Forgery for Multi-modality Face Forgery Detection) を提案する。 HFC-MFFDは、マルチモーダルシナリオにおけるフォージェリー認証を強化するために、堅牢なパッチベースのハイブリッド表現を学習する。 クラス不均衡問題を緩和し、さらに検出性能を高めるために、特定の階層的な顔偽造を提案する。
  論文  参考訳（メタデータ） (2022-12-30T10:54:29Z)
• 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)
• 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)

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。