Контрастивное обучение на временном гетерогенном графе для обнаружения мошенничества в операциях по кредитным картам

Обнаружение мошенничества с кредитными картами остается критически важной задачей обеспечения финансовой безопасности и характеризуется изменяющимися моделями мошенничества, недостатком размеченных данных и выраженным дисбалансом классов. Традиционные методы часто не способны учитывать сложную временную динамику и гетерогенные взаимосвязи, присущие сетям финансовых транзакций. Для устранения этих ограничений мы предлагаем TH-GCL (Temporal Heterogeneous Graph Contrastive Learning — контрастивное обучение на временном гетерогенном графе), новую платформу, объединяющую моделирование гетерогенных графов, распознавание временных закономерностей и контрастивное обучение для повышения эффективности обнаружения мошенничества. Наш подход формирует временной гетерогенный граф, включающий несколько типов сущностей, в том числе пользователей, транзакции, продавцов и устройства, с учетом времени в весах ребер для фиксации изменяющихся поведенческих закономерностей. Мы разрабатываем архитектуру времязависимой графовой нейронной сети, которая обучает иерархические представления посредством совместного моделирования структурных зависимостей и закономерностей временной эволюции. Кроме того, мы вводим механизм контрастивного обучения с двумя представлениями, создающий аугментированные представления графа посредством структурных возмущений и временного маскирования, что позволяет модели формировать устойчивые представления с различных точек зрения. Контрастивная целевая функция побуждает модель различать нормальные и мошеннические модели транзакций, сохраняя согласованность между аугментированными представлениями. Масштабные эксперименты на наборе данных IEEE-CIS Fraud Detection показывают, что TH-GCL превосходит современные базовые методы, обеспечивая улучшение на 5,2% по AUC-ROC и на 8,7% по AUC-PR. Исследования с исключением отдельных компонентов подтверждают эффективность каждого из них, а анализ выученных представлений выявляет содержательные закономерности мошенничества. Предложенная платформа обладает высокой способностью к обобщению на различные временные периоды и объемы транзакций, что делает ее пригодной для практического применения в реальных динамических сценариях обнаружения мошенничества.