Графовая нейронная сеть для обнаружения мошенничества с использованием пространственно-временного внимания

Мошенничество с банковскими картами является важной проблемой и приводит к значительным затратам как для держателей карт, так и для банков-эмитентов. Современные методы используют подходы машинного обучения для выявления мошеннического поведения по записям о транзакциях. Однако ручное конструирование признаков требует предметных знаний и может отставать от меняющихся схем мошенничества, поэтому в системах онлайн-обнаружения необходимо автоматически сосредоточиваться на наиболее релевантных паттернах мошеннического поведения. В связи с этим мы предлагаем графовую сеть с пространственно-временным вниманием (spatial-temporal attention-based graph network, STAGN) для обнаружения мошенничества с кредитными картами. В частности, сначала с помощью графовой нейронной сети мы обучаем признаки графа транзакций, основанные на временных и пространственных характеристиках. Затем применяем пространственно-временное внимание к полученным тензорным представлениям и передаем их в трехмерную сверточную сеть. Веса внимания совместно обучаются в сквозном режиме вместе с трехмерной сверточной сетью и сетью обнаружения. После этого мы проводим обширные эксперименты на реальном наборе данных о транзакциях по картам. Результаты показывают, что STAGN превосходит другие современные базовые методы как по площади под ROC-кривой (AUC), так и по кривым точность–полнота. Кроме того, мы проводим эмпирические исследования предложенного метода для обнаружения мошенничества и извлечения знаний с участием экспертов предметной области. Результаты демонстрируют его превосходство в выявлении подозрительных транзакций, обнаружении пространственных и временных очагов мошенничества и раскрытии паттернов мошеннического поведения. Также продемонстрирована эффективность предложенного метода в других задачах, основанных на поведении пользователей. Наконец, для решения задач, связанных с большими данными, мы интегрируем STAGN в систему обнаружения мошенничества в качестве прогностической модели и представляем подробности реализации каждого модуля системы.