Динамическое выявление мошенничества: интеграция обучения с подкреплением в графовые нейронные сети

Финансовое мошенничество представляет собой получение финансовой выгоды нечестными средствами. Такое поведение не только нарушает порядок функционирования финансового рынка, но и наносит ущерб экономическому и социальному развитию, способствуя возникновению других незаконных и преступных действий. С распространением интернета и онлайн-платежей многие мошеннические операции и действия по отмыванию денег переместились из офлайн-среды в онлайн-среду, что создало серьезные трудности для регулирующих органов. Эффективное выявление таких финансовых мошеннических действий стало актуальной задачей, требующей решения. Графовые нейронные сети представляют собой класс моделей глубокого обучения, способных использовать взаимосвязи внутри графовых структур, и широко применяются в области выявления мошенничества. Однако сохраняется ряд проблем. Во-первых, мошеннические действия составляют лишь очень небольшую долю транзакционных переводов, что неизбежно приводит к дисбалансу классов в задачах выявления мошенничества. В то же время мошенники часто маскируют свое поведение, что может отрицательно влиять на итоговые результаты прогнозирования. Кроме того, в существующих исследованиях недооценивается важность баланса между информацией о соседних узлах и информацией о центральном узле. Например, когда у центрального узла слишком много соседей, признаки самого центрального узла часто игнорируются. Наконец, мошеннические действия и их схемы постоянно меняются с течением времени, поэтому учет динамической эволюции связей между ребрами графа также имеет большое значение.