Effective High-order Graph Representation Learning for Credit Card Fraud Detection
Created by
- Haebom
Category
Empty
저자
Yao Zou, Dawei Cheng
개요
신용카드 사기는 카드 소지자와 발급 은행 모두에게 상당한 비용을 초래합니다. 사기꾼들은 여러 무해한 사용자를 통한 합법적인 거래를 이용하는 등의 방법으로 사기를 위장하여 사기 방지 시스템을 우회합니다. 기존의 그래프 신경망(GNN) 모델은 심층 다층 집계에서 고유한 과도한 평활화 문제로 인해 위장된 간접적인 다단계 거래의 특징을 학습하는 데 어려움을 겪어 위장된 관계를 탐지하는 데 큰 어려움을 제시합니다. 따라서 본 논문에서는 다층 집계 과정에서 과도한 노이즈를 통합하지 않도록 새로운 고차 그래프 표현 학습 모델(HOGRL)을 제안합니다. 특히 HOGRL은 고차 거래 그래프에서 직접 다양한 차수의 순수 표현을 학습합니다. 이는 먼저 고차 거래 그래프를 효과적으로 구성한 다음 각 차수의 순수 표현을 학습하여 모델이 다층 순수 특징 학습을 통해 사기꾼의 다단계 간접 거래를 식별할 수 있도록 함으로써 달성됩니다. 또한, 다양한 차수의 중요도를 자동으로 결정하여 사기 탐지 성능을 공동으로 최적화하기 위해 전문가 혼합 주의 메커니즘을 도입합니다. 오픈 소스 및 실제 데이터 세트에서 광범위한 실험을 수행한 결과, 제안된 HOGRL이 최첨단 사기 탐지 기준 모델과 비교하여 상당한 개선을 보여줍니다. HOGRL의 우수한 성능은 고차 사기 위장 범죄자를 해결하는 데 효과적임을 증명합니다.
시사점, 한계점
•
시사점: 고차 그래프를 활용하여 다층 간접 거래를 효과적으로 탐지하는 새로운 모델 HOGRL을 제안하고, 실험을 통해 기존 모델보다 우수한 성능을 입증했습니다. 전문가 혼합 주의 메커니즘을 통해 다양한 차수의 중요도를 자동으로 학습하여 성능을 향상시켰습니다. 고차 사기 위장 기법에 효과적으로 대응할 수 있는 방법을 제시했습니다.
•
한계점: 본 논문에서 사용된 실제 데이터셋의 구체적인 정보와 데이터 규모에 대한 언급이 부족합니다. 모델의 확장성 및 다른 유형의 사기 유형에 대한 일반화 성능에 대한 추가적인 분석이 필요합니다. 전문가 혼합 주의 메커니즘의 설계 및 매개변수 설정에 대한 자세한 설명이 부족합니다.
