利用网络学习揭示保险欺诈阴谋
本文介绍了一种利用多视图网络结构、半监督学习和分层注意力机制的图神经网络,用于在支付宝用户中进行欺诈检测,并实现比现有方法更为准确的预测,并且提供了可解释的结果。
Feb, 2020
本文提出了一种名为CARE-GNN的新型Graph Neural Network模型对付欺诈检测中恶意节点使用的特征伪装和关系伪装,CARE-GNN包括三个模块,即标签感知型相似度衡量模块、强化学习模块和跨不同关系的选中邻居的聚合模块,实验表明,CARE-GNN优于现有的GNN模型和GNN-based欺诈检测器。
Aug, 2020
本文以组织为中心,探讨了反欺诈部门的运营模式,提出了6个研究主题和12个实践挑战,总结了每个研究主题的文献现状,并讨论了解决实践挑战的潜在解决方案,同时发现了22个开放式研究挑战。
Jul, 2021
该论文提出了一种关系图卷积网络方法的框架,用于在超级应用的金融服务中预防欺诈行为;结果表明,当考虑超级应用的替代数据和高连通性中发现的交互时,采用利用这些交互的模型能够将增加价值转化为更好的决策和欺诈检测策略。
Jul, 2021
本研究提出了一种多模态推理框架AutoFraudNet用于检测保险欺诈,在现实数据集上进行广泛的实验,证明了AutoFraudNet在整合各种数据形式以提高性能方面的有效性。
Jan, 2023
传统上,检测欺诈保险索赔依赖于商业规则和专家判断,这使得过程耗时且昂贵。因此,研究人员一直在研究开发高效准确的分析策略来标记可疑索赔。然而,在开发欺诈检测模型时,我们面临几个挑战,如欺诈的罕见性导致高类别不平衡,只有少数索赔得到调查和标记,导致大量未标记数据,以及公开可用数据的缺乏。因此,我们设计了一个模拟机器,用于创建与实际保险欺诈数据集相似的具有网络结构和可用协变量的合成数据。此模拟引擎使研究人员和从业者可以在各种不同的设置中检验多种方法学挑战以及测试他们的保险欺诈检测模型的(开发策略),同时还可以生成大量的合成数据集以评估(高级)机器学习技术的预测性能。
Aug, 2023
使用图学习进行金融犯罪检测改善金融安全和效率,提出了一种基于联邦图学习的新型框架(2SFGL),实验证明与仅使用FedAvg的情况相比,将GCN与2SFGL集成应用于此任务可以在几个常见指标上提高17.6%-30.2%的性能,而将GraphSAGE与2SFGL集成应用可以提高6%-16.2%的性能,从而得出结论,我们提出的框架是一种稳健且简单易用的协议,可以与现有的基于图的欺诈检测方法简单集成。
Oct, 2023
提出SEFraud,一种新颖的基于图的自解释欺诈检测框架,通过利用可学习的特征掩码和边缘掩码,从信息丰富的异构类型交易中学习表达能力强的表示,采用新的三元组损失增强掩码学习的性能,演示了的效果。在中国工商银行的生产环境中部署并提供可解释的欺诈检测服务,结果与专业人员的业务理解相一致,确认了它在大规模在线服务中的高效性和适用性。
Jun, 2024
信用卡欺诈有重要的个人和社会影响,因此有效的预防至关重要。本文提出了GraphGuard,一种新颖的基于图的对比自监督框架,用于检测欺诈信用卡交易。我们在真实数据集和合成数据集上进行实验证明,这一方法为探索基于图的自监督方法在信用卡欺诈检测方面的效果提供了有希望的初步方向。
Jul, 2024
本研究针对在线金融欺诈检测领域中存在的标签不平衡和动态模式变化问题,提出了一种结合强化学习的图神经网络新方法。研究结果表明,所提出的方法在识别复杂欺诈行为方面显著提高了准确性和效率,具有重要的现实应用价值。
Sep, 2024