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
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
本研究提出了一种半监督的基于图神经网络的欺诈检测器 SEC-GFD,通过混合过滤模块和局部环境约束模块解决了异态性和标签利用问题,实验证明 SEC-GFD 在四个真实世界的欺诈检测数据集上优于其他竞争对手的基于图的欺诈检测器。
Dec, 2023
本文介绍了一种名为 CaT-GNN 的新型信用卡欺诈检测方法,该方法利用因果不变性学习揭示了交易数据中的内在相关性,并通过发现和干预阶段将问题分解,通过识别事务图中的因果节点并应用因果混合策略来提高模型的鲁棒性和可解释性。实验结果表明,CaT-GNN 在多个数据集上表现出超过现有最先进方法的优越性能,突显了将因果推理与图神经网络相结合以提高金融交易中的欺诈检测能力的潜力。
Feb, 2024
提出一种利用量子图神经网络和变分量子电路检测金融欺诈的新方法,通过与经典图神经网络的比较实验证明该方法在金融欺诈检测方面具有更高的性能。
Sep, 2023
欺诈检测在发现欺诈者通过欺骗其他用户,例如发布虚假评论或进行异常交易的行为上有着重要作用。我们采用图神经网络和动态关系注意力聚合机制来解决这个问题,并在真实基准数据集上展示了我们的方法 DRAG 优于其他最先进的欺诈检测方法。
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
本文介绍了反洗钱规定在维护金融系统安全方面扮演的关键角色,以及加密货币所引入的假名化和开放数据等新问题,同时提出使用分类算法和图方法来预测和控制非法交易,并分享了一个被标记的比特币交易数据集以供进一步研究。
Jul, 2019
GraphGuard 是一个无需训练数据的方法,通过使用具有电离辐射特性的数据进行成员推断,提高成员和非成员数据分布的可区分性,从而在不依赖原始数据的情况下检测并通过有针对性的遗忘来减轻图数据滥用的影响。
该研究比较了不同类型图神经网络模型在以太坊交易网络数据和钓鱼标签数据上的性能表现,结果表明异构模型的表现优于同构模型,尤其是 RGCN 模型在整体指标上表现最好。
Mar, 2022