CaT-GNN: повышение эффективности обнаружения мошенничества с банковскими картами с помощью причинно-временных графовых нейронных сетей

Мошенничество с банковскими картами представляет значительную угрозу для экономики. Хотя методы обнаружения мошенничества на основе графовых нейронных сетей (GNN) демонстрируют высокую эффективность, они часто не учитывают причинное влияние локальной структуры узла на предсказания. В данной статье представлен новый метод обнаружения мошенничества с банковскими картами — причинно-временная графовая нейронная сеть (CaT-GNN), использующая обучение причинно-инвариантным представлениям для выявления внутренних корреляций в данных о транзакциях. Разделяя задачу на этапы выявления и интервенции, CaT-GNN определяет причинные узлы в графе транзакций и применяет стратегию причинного mixup для повышения устойчивости и интерпретируемости модели. CaT-GNN состоит из двух ключевых компонентов: Causal-Inspector и Causal-Intervener. Causal-Inspector использует веса внимания в механизме временного внимания для выявления причинных узлов и узлов окружения без введения дополнительных параметров. Затем Causal-Intervener выполняет причинное усиление методом mixup для узлов окружения на основе множества узлов. Оценка на трех наборах данных, включая закрытый финансовый набор данных и два общедоступных набора данных, показала, что CaT-GNN превосходит существующие передовые методы. Полученные результаты демонстрируют потенциал интеграции причинного анализа с графовыми нейронными сетями для повышения эффективности обнаружения мошенничества в финансовых транзакциях.