論文の概要: PromoGuardian: Detecting Promotion Abuse Fraud with Multi-Relation Fused Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2510.12652v1
- Date: Tue, 14 Oct 2025 15:48:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-15 19:02:32.379448
- Title: PromoGuardian: Detecting Promotion Abuse Fraud with Multi-Relation Fused Graph Neural Networks
- Title（参考訳）: PromoGuardian:Multi-Relation Fused Graph Neural Networksによるプロモーション不正検出
- Authors: Shaofei Li, Xiao Han, Ziqi Zhang, Minyao Hua, Shuli Gao, Zhenkai Liang, Yao Guo, Xiangqun Chen, Ding Li,
- Abstract要約: 奨励の虐待は近年急速に成長している詐欺の1つだ。
我々は,eコマースプラットフォームであるMeITUANにおいて,プロモーション不正行為に関する最初の研究を行う。
ProMOGUARDIANは,トランザクションデータの空間的および時間的情報を同種グラフに統合し,プロモーション不正行為を検出する,新しいマルチリレーション融合グラフニューラルネットワークである。
- 参考スコア（独自算出の注目度）: 17.818320599254935
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As e-commerce platforms develop, fraudulent activities are increasingly emerging, posing significant threats to the security and stability of these platforms. Promotion abuse is one of the fastest-growing types of fraud in recent years and is characterized by users exploiting promotional activities to gain financial benefits from the platform. To investigate this issue, we conduct the first study on promotion abuse fraud in e-commerce platforms MEITUAN. We find that promotion abuse fraud is a group-based fraudulent activity with two types of fraudulent activities: Stocking Up and Cashback Abuse. Unlike traditional fraudulent activities such as fake reviews, promotion abuse fraud typically involves ordinary customers conducting legitimate transactions and these two types of fraudulent activities are often intertwined. To address this issue, we propose leveraging additional information from the spatial and temporal perspectives to detect promotion abuse fraud. In this paper, we introduce PROMOGUARDIAN, a novel multi-relation fused graph neural network that integrates the spatial and temporal information of transaction data into a homogeneous graph to detect promotion abuse fraud. We conduct extensive experiments on real-world data from MEITUAN, and the results demonstrate that our proposed model outperforms state-of-the-art methods in promotion abuse fraud detection, achieving 93.15% precision, detecting 2.1 to 5.0 times more fraudsters, and preventing 1.5 to 8.8 times more financial losses in production environments.
- Abstract（参考訳）: 電子商取引プラットフォームが発展するにつれて、不正行為がますます増加し、これらのプラットフォームのセキュリティと安定性に重大な脅威をもたらしている。
近年急速に普及している詐欺の1つで、プロモーション活動を利用してプラットフォームから金銭的利益を得るのが特徴である。
そこで我々は,eコマースプラットフォームであるMeITUANにおいて,プロモーション不正行為に関する最初の研究を行った。
プロモーション不正行為は,ストックアップとキャッシュバック・アキュースという2種類の詐欺行為を伴うグループベースの詐欺行為であることがわかった。
偽レビューなどの従来の不正行為とは異なり、宣伝不正行為は通常、合法的な取引を行う一般の顧客を巻き込み、これらの2種類の不正行為が絡み合うことが多い。
この問題に対処するために、空間的・時間的視点から追加情報を活用して、プロモーション不正行為を検出することを提案する。
本稿では,取引データの空間的情報と時間的情報を同種グラフに統合し,プロモーション不正行為を検出する,新しいマルチリレーション融合グラフニューラルネットワークProMOGUARDIANを紹介する。
我々は,明天の実世界データに関する広範な実験を行い,提案モデルが不正行為防止の最先端手法より優れていることを示すとともに,93.15%の精度,2.1～5.0倍の不正行為の検出,1.5～8.8倍の財務損失の防止を図った。
関連論文リスト
- FRAUDGUESS: Spotting and Explaining New Types of Fraud in Million-Scale Financial Data [16.07352372667229]
我々はFRAUDGUESSを提案し、新しい種類の詐欺を見つけ出し、我々の意見を支持する専門家に証拠を提供する。
FRAUDGUESSは実生活で使われ、匿名の金融機関に配備されると考えられている。
我々は、FRAUDGUESSが実際に100万の財務データセットで発見した3つの新しい行動を示す。
論文 参考訳（メタデータ） (2025-09-19T00:15:31Z) - Deep Learning Approaches for Anti-Money Laundering on Mobile Transactions: Review, Framework, and Directions [51.43521977132062]
マネーロンダリング(英: Money laundering)は、不正資金の起源を隠蔽する金融犯罪である。
モバイル決済プラットフォームとスマートIoTデバイスの普及は、マネーロンダリング対策をかなり複雑にしている。
本稿では,AMLにおけるディープラーニングソリューションとその利用に関する課題について,包括的レビューを行う。
論文 参考訳（メタデータ） (2025-03-13T05:19:44Z) - FRAUDability: Estimating Users' Susceptibility to Financial Fraud Using Adversarial Machine Learning [24.817067681746117]
本研究では,金融不正検出システムの性能をユーザ毎に推定するFRAUDabilityを提案する。
提案手法は,不正検出システムの特定のユーザに対する金銭的不正を検知する能力の数値的な推定値である「フルートビリティスコア」を生成する。
また,このスコアは,不正性が高いユーザに対してのみ関与することで,攻撃者の財務利益を54%引き上げる上で有効であることを示す。
論文 参考訳（メタデータ） (2023-12-02T18:33:05Z) - 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 Importance of Future Information in Credit Card Fraud Detection [3.2465762663605373]
我々は,「未来」情報を用いた後方不正検出という新たなパラダイムを提案する。
3000万以上のトランザクションを持つ実世界のデータセットでは、通常のLSTMよりも高いパフォーマンスを実現している。
この新たなパラダイムにおける今後の作業は、不正なカードの検出に重大な影響を与えるだろうと考えています。
論文 参考訳（メタデータ） (2022-04-11T17:11:34Z) - Application of Deep Reinforcement Learning to Payment Fraud [0.0]
典型的な不正検出システムは、詐欺リコール率の最大化に重点を置く標準的な教師付き学習手法を用いる。
このような定式化は準最適解につながると我々は主張する。
我々は、報酬関数の形でモデル内に実用性を含めることで、不正検出を逐次決定問題として定式化する。
論文 参考訳（メタデータ） (2021-12-08T11:30:53Z) - 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) - SpotTheFake: An Initial Report on a New CNN-Enhanced Platform for
Counterfeit Goods Detection [68.8204255655161]
偽物取引は現在では世界貿易の3.3%以上を占めている。
本稿では,新しい偽物検出プラットフォームの設計と初期開発について述べる。
論文 参考訳（メタデータ） (2020-02-17T01:51:22Z)
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。