Полуконтролируемое обнаружение мошенничества с банковскими картами посредством графового представления, обусловленного атрибутами

Мошенничество с банковскими картами приводит к значительным затратам как для держателей карт, так и для банков-эмитентов. Современные методы применяют классификаторы на основе машинного обучения для выявления мошеннического поведения по размеченным записям о транзакциях. Однако из-за высокой стоимости разметки размеченные данные обычно составляют лишь небольшую долю из миллиардов реальных транзакций, вследствие чего такие методы не в полной мере используют богатые признаки, содержащиеся в неразмеченных данных. Поэтому мы предлагаем полуконтролируемую графовую нейронную сеть для обнаружения мошенничества. В частности, мы используем записи о транзакциях для построения временного графа транзакций, состоящего из временных транзакций (узлов) и взаимодействий (рёбер) между ними. Затем мы передаём сообщения между узлами с помощью сети внимания с управляемыми временными связями (Gated Temporal Attention Network, GTAN) для получения представлений транзакций. Кроме того, мы моделируем закономерности мошенничества посредством распространения риска между транзакциями. Масштабные эксперименты проведены на реальном наборе данных о транзакциях и двух общедоступных наборах данных для обнаружения мошенничества. Результаты показывают, что предложенный метод GTAN превосходит другие современные базовые методы на всех трёх наборах данных для обнаружения мошенничества. Эксперименты в условиях полуконтролируемого обучения демонстрируют высокую эффективность нашей модели при использовании лишь крайне небольшой доли размеченных данных.