[論文レビュー] A Time Attention based Fraud Transaction Detection Framework

Longfei Li, Ziqi Liu+4 more|arXiv (Cornell University)|Dec 26, 2019

Imbalanced Data Classification Techniques参考文献 27被引用数 9

ひとこと要約

本論文は、ユーザー取引シーケンスの時間的パターンを、時間間隔（例：持続時間、イベント間隔）とユーザーの静的プロファイルの両方を埋め込み表現することでモデル化する、タイムアテンションに基づく再帰的ニューラルネットワークフレームワークを提案する。この手法は、特にトップパーセンテージにおける再現率（RATP）において、最先端のモデルを上回り、GBDTに比べ7%の改善を達成し、RATP@0.05およびRATP@0.01の指標で新たなSOTAを樹立した。

ABSTRACT

With online payment platforms being ubiquitous and important, fraud transaction detection has become the key for such platforms, to ensure user account safety and platform security. In this work, we present a novel method for detecting fraud transactions by leveraging patterns from both users' static profiles and users' dynamic behaviors in a unified framework. To address and explore the information of users' behaviors in continuous time spaces, we propose to use \emph{time attention based recurrent layers} to embed the detailed information of the time interval, such as the durations of specific actions, time differences between different actions and sequential behavior patterns,etc., in the same latent space. We further combine the learned embeddings and users' static profiles altogether in a unified framework. Extensive experiments validate the effectiveness of our proposed methods over state-of-the-art methods on various evaluation metrics, especially on \emph{recall at top percent} which is an important metric for measuring the balance between service experiences and risk of potential losses.

研究の動機と目的

• 静的ユーザープロファイルと時間的粒度の高い行動シーケンスを統合してモデル化することで、不正取引検出の性能を向上させること。
• 従来のRNNがイベント間隔の持続時間やタイミングの規則性といった詳細な時間間隔情報を無視するという限界を是正すること。
• 不正検出感度とユーザー体験のバランスが取れる重要な指標である、トップパーセンテージにおける再現率（RATP）の性能向上を図ること。
• 時間に敏感な埋め込み表現とユーザープロファイル特徴を統合した一貫したフレームワークを構築し、エンドツーエンドの学習を可能にすること。
• アリババペイでの実世界での導入において、その有効性を検証し、堅牢性とスケーラビリティを示すこと。

提案手法

• RNNの隠れ状態計算に時間間隔情報（例：持続時間、ギャップ）を統合する、タイムアテンションに基づく再帰層を提案する。
• 連続する取引間の時間的距離に基づいてセル状態を動的に調節する、タイムゲート機構を導入する。
• 学習された時間埋め込み表現を用いてイベント間隔を表現することで、規則的と異常な時間的パターンの区別を可能にする。
• ユーザーの静的プロファイル（例：人口統計学的特徴、平均支出）と時間に敏感なシーケンス埋め込みを、統合された表現空間に統合する。
• 時間埋め込み済みシーケンスに対してマルチヘッドアテンション機構を適用し、時間依存の重要な行動パターンに注目する。
• クラス不均衡への対処を施したクロスエントロピー損失を用いてエンドツーエンドのモデルを学習し、トップパーセンテージの予測における高い再現率を最適化する。

実験結果

リサーチクエスチョン

• RQ1 イベント間隔（例：イベント間持続時間）の詳細なモデリングは、標準的なRNNと比較して不正検出性能を向上させるか？
• RQ2 時間に敏感なアテンションとユーザーの静的プロファイルの統合は、トップパーセンテージにおける再現率（RATP）にどのような影響を及けるか？
• RQ3 提案手法のタイムアテンション機構は、PLSTM や TLSTM などの既存の時間に敏感なRNN変種と比較して、収束が速く一般化性能が高いか？
• RQ4 隠れユニット数や時間埋め込み次元といったハイパーパrameterの設定が、モデル性能にどの程度依存するか？
• RQ5 本フレームワークは、アリババペイのような生産規模の決済システムにおいて、優れた実世界性能を達成できるか？

主な発見

• 提案手法はRATP@0.05で0.864を達成し、手動特徴量を用いるGBDTに比べ7%の改善を示した。
• GRUおよびBi-LSTMにタイムアテンションを適用したモデルは、PLSTM や TLSTM を上回る性能を示し、アテンションに基づく時間モデリングが内部ゲーティング機構よりも有効であることを示した。
• ベースラインRNNと比較して収束が速く、特にLSTMにタイムアテンションを適用したバージョンで最も速い収束が観察された。
• 最適な性能は時間埋め込み次元が32のときを示し、それ以上の次元は特徴空間のスパarsityにより性能を低下させる。
• 隠れユニット数を256以上に増やすと利得が減少し、256が実用的かつ効率的な設定であると示唆された。
• RATP@0.05およびRATP@0.01の両方でSOTAを達成し、稀な不正事例を最小限の誤検出で効果的に検出できることを確認した。