[論文レビュー] A data mining approach using transaction patterns for card fraud detection

Chae Chang Lee, Ji Won Yoon|arXiv (Cornell University)|Jun 24, 2013

Imbalanced Data Classification Techniques被引用数 5

ひとこと要約

本論文は、自己回帰モデルとガウス過程を用いて、時間経過に伴い個人の取引パターン（特に支払い金額と地理的場所）を学習するデータマイニング手法を提案する。ユーザー固有の行動に応じてしきい値を動的に調整することで、誤検出と見逃しを低減し、特に大筆な正当な取引の直後に小規模または中規模の金額の不正取引が発生する場合に、固定しきい値手法よりも検出精度を向上させる。

ABSTRACT

Credit and debit cards, rather than actual money, have become the universal payment means. With these cards, it has become possible to buy expensive items easily without an additional complex authentication procedure being conducted. However, card transaction features are targeted by criminals seeking to use a lost or stolen card and looking for a chance to replicate it. Accidents, whether caused by the negligence of users or not, that lead to a transaction being performed by a criminal rather than the authorized card user should be prevented. Therefore, card companies are providing their clients with a variety of policies and standards to cover this eventuality. Card companies must therefore be able to distinguish between the rightful user and illegal users according to these standards in order to minimize damage resulting from unauthorized transactions. However, there is a limit to applying the same fixed standards to all card users, since the transaction patterns of people differ and even individuals' transaction patterns may change frequently due to changes income and consumption preference. Therefore, when only a specific threshold is applied, it is difficult to distinguish a fraudulent card transaction from a legitimate one. In this paper, we present methods for learning the individual patterns of a card user's transaction amount and the region in which he or she uses the card, for a given period, and for determining whether the specified transaction is allowable in accordance with these learned user transaction patterns. Then, we classify legitimate transactions and fraudulent transactions by setting thresholds based on the learned individual patterns.

研究の動機と目的

• 固定しきい値の不正検出システムが個人の支出行動や地理的パターンを考慮できないという限界を是正すること。
• 時間経過に伴い各ユーザーの独自の取引パターンを学習・適応する動的不正検出モデルを構築すること。
• 取引金額と場所のパターンを検出メカニズムに統合することで、誤検出と見逃しを低減すること。
• 特にクローンまたは盗難カードが正当な取引の直後に使用される不正取引の早期検出を改善すること。
• 静的ルールベースのシステムを上回る、個人に特化した不正検出フレームワークを提供すること。

提案手法

• 本手法は、ユーザーの過去の支出パターンに基づき、次の取引金額を予測するための自己回帰（AR）モデルを用いる。
• ガウス過程（GPs）を用いて取引金額予測の不確実性をモデル化し、各取引の信頼性スコアを計算する。
• 取引金額と併せて場所も分析し、連続する取引間の空間的近接性に著しい異常が見られるかを検出するための地理的パターンを用いる。
• 学習されたユーザー行動に基づき動的しきい値を適用し、信頼性スコアがしきい値未満の場合は不正の可能性を示す。
• 取引を順次評価し、予測と信頼性スコアを段階的に更新することで、通常の行動からの逸脱を検出する。
• 本手法は実際の取引データセットを用いてテストされ、誤検出率と見逃し率を用いて性能が評価された。

実験結果

リサーチクエスチョン

• RQ1 個人の取引パターンを学習するデータマイニング手法は、固定しきい値手法と比較して不正検出精度を向上させることができるか？
• RQ2 取引金額予測と地理的パターン分析の組み合わせは、不正取引の同定にどの程度効果的か？
• RQ3 ユーザー固有の行動に基づく動的しきい値は、誤検出と見逃しの誤差をどの程度低減できるか？
• RQ4 特に大筆な正当な取引の直後の連続する取引パターンは、不正検出性能にどのように影響するか？
• RQ5 ガウス過程からの信頼性スコアは、金額が小さめまたは中程度の不正取引を効果的に特定できるか？

主な発見

• 本手法は、大筆な正当な取引の直後に発生する不正取引について、誤検出を顕著に低減した。特にテストウィンドウを2件に制限した場合に顕著であった。
• 不正シーケンスの最初と2番目の取引の信頼性スコアは、常に10未満であった。これは、テストウィンドウを2件に制限することで、初期段階の不正検出が向上することを示している。
• 大筆な正当な取引に続く小規模な取引では、予測金額の下方調整のため誤検出が生じた。これは信頼性しきい値を調整することで緩和可能である。
• モデルは、金額と場所の両方のパターンから逸脱する不正取引に対して高い感受性を示した。特にユーザーの通常の行動と一致しない場所での取引が顕著に検出された。
• ガウス過程の使用により信頼性スコアの信頼性が確保され、低いスコアは不正の可能性が高くなることを示しており、特に不正シーケンスの初期段階で顕著であった。
• 本研究では、実験で不正な場所を正当な地域にランダムに割り当てた場合、y軸付近に不正が集積する傾向が低く見積もられる可能性があることが判明した。これは、実世界の不正はこのようなパターンにおいてより検出されやすい可能性を示唆している。