Jul, 2024

基于GNN-CL模型的高级金融欺诈检测

HTML
PDF
TL;DR本文介绍了GNN-CL模型，它通过综合利用图神经网络、卷积神经网络和长短期记忆网络的优势，在金融欺诈检测领域取得了突破。该模型能够多方面分析复杂交易模式，提高检测准确性并增强对复杂欺诈行为的抵抗力。通过使用多层感知器来估计节点相似性，该模型能够有效过滤掉可能导致误报的邻域噪声。此外，采用了强化学习策略来动态调整分配给中心节点的权重，以进一步解决特征弱化的挑战。实验结果表明，与现有方法相比，GNN-CL具有卓越的性能。
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

  • 基于图神经网络的反欺诈检测器抵御伪装欺诈者攻击的增强方法

    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

  • 提高空间图神经网络欺诈检测的聚合和加速训练方法

    本文提出三个方法以解决Residual Layered CARE-GNN的三个问题：采用余弦距离进行相似度度量，结合邻节点和批次规范化的相似度量模块，以及中间信息补充。在Yelp和Amazon数据集上，采用这三种方法分别获得了4.81％，6.62％，6.81％的提高。

    Feb, 2022

  • BRIGHT – 实时欺诈检测中的图神经网络

    BRIGHT framework提供了一种以历史交易关系和实时联系为代表的两个子图来进行高效在线实时图神经网络推理的方法，该方法比传统的GNN快约7.8倍，而且在平均精度方面优于基准模型约2％。

    May, 2022

  • 面向带符号加密货币信任网络的基于时序GCN的模式感知欺诈检测

    本文关注加密货币网络上的欺诈检测，使用图形卷积网络处理这些图形。采用局部结构和平衡理论指导训练，使用基本矩阵捕捉局部拓扑信息，并在GCN聚合过程中使用它们，实现在时间窗口内的嵌入加权平均。实验结果表明，本文所提出模型优于文献中的模型。

    Nov, 2022

  • 基于时空感知图变换器的交易欺诈检测

    本文提出了一种名为STA-GT的异构图神经网络，通过引入一种时间编码和转换器模块，来捕获时间依赖性、识别欺诈性交易和促进时空信息建模，具有改进的表现能力。在两个金融数据集上进行的实验证明了该方法在交易欺诈检测任务上的有效性。

    Jul, 2023

  • 利用自适应图神经网络进行交易欺诈检测

    本文提出了一种基于自适应采样和聚合的图神经网络(ASA-GNN)，通过邻居采样策略和邻居多样性度量，在交易数据中学习判别表示以提高欺诈检测的性能，实验结果表明该方法优于现有的其他方法。

    Jul, 2023

  • 动态关系注意力图神经网络用于欺诈检测

    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。

    Oct, 2023

  • CaT-GNN: 通过因果时序图神经网络提升信用卡欺诈检测

    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

  • 动态欺诈检测：将强化学习整合到图神经网络中

    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