KDDJun, 2024

SEFraud：基于图解释掩码学习的自解释欺诈检测

PDF
TL;DR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。
发现论文，激发创造
  • 一种半监督图注意力网络用于金融欺诈检测

    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

  • 自监督图转换器用于深度伪造检测

    该研究介绍了一种深假检测框架，利用自监督预训练模型提供出色的泛化能力，能够应对常见的扭曲并解释模型的决策，实验证明该框架的有效性超过当前最先进方法。

    Jul, 2023

  • 再审视基于图的欺诈检测：异质性和频谱视角

    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

  • 透明和隐私：可解释人工智能和联邦学习在金融欺诈检测中的作用

    研究介绍了使用联邦学习和可解释的人工智能的新方法来解决金融机构在欺诈检测方面面临的挑战，该方法能够在保护数据隐私的同时提高检测系统的性能，并具备透明性和可解释性。

    Dec, 2023

  • 2SFGL：基于图形的欺诈检测的简单而稳健的协议

    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

  • 使用层次化可解释网络对用户行为序列进行建模，实现跨领域欺诈检测

    本文提出了一种基于分层可解释网络和迁移学习框架的跨域电子商务欺诈检测方法，该方法以用户的时序行为历史数据为基础，不仅能够提高欺诈检测的性能，同时还能够使推理过程可解释。同时，它也能够通过在已有域中转移知识来应对新的领域中数据收集的限制，并且将此通用的迁移框架拓展到不同的现有模型中，适用于各种交嵌多层感知机。

    Jan, 2022

  • 使用深度符号分类的可解释欺诈检测

    欺诈检测的需求越来越大，需要解释性、透明性和数据驱动的模型。本文提出了深度符号分类（DSC）作为一个扩展，通过搜索所有解析函数的空间来进行分类问题的优化，同时通过深度神经网络进行训练和引导，解决了类不平衡的问题，提高了模型的解释性，并在 PaySim 数据集上显示了具有竞争力的预测性能。

    Dec, 2023

  • 使用来源图结构特征解释基于 GNN 的 IDS 检测

    PROVEXPLAINER 提出了一种通过将 GNN 决策边界投影到可解释的特征空间来提高 GNN 安全模型透明度和可解释性的框架，使用决策树等可解释性模型复制 GNN 安全模型的决策过程，提高辅助模型的准确性和可信度，实验结果表明，该模型在程序分类任务中达到了 95% 离线度并在特定任务的恶意软件检测任务中达到了 99% 的准确率。

    Jun, 2023

  • 欺诈检测的实例级解释：以案例研究为例

    通过设计两个新颖的仪表板结合各种最新的解释技术，帮助欺诈检测人员分析和理解预测结果，从而快速过滤潜在的欺诈案件。

    Jun, 2018

  • GraphFC：基于标签稀缺性的海关欺诈检测

    本文提出了一种基于图神经网络和半监督学习的海关欺诈检测算法 GraphFC，相较于现有技术有高达 252% 的召回率提升，并在三个国家的真实海关数据上表现出比现有技术更优秀的性能。

    May, 2023