[論文レビュー] Modeling the Field Value Variations and Field Interactions Simultaneously for Fraud Detection

Dongbo Xi, Bowen Song+6 more|arXiv (Cornell University)|Aug 8, 2020

Imbalanced Data Classification Techniques被引用数 4

ひとこと要約

本稿では、不正検出のための性能向上を図るために、ユーザーのイベント間におけるフィールド値の変動と、各イベント内でのフィールド相互作用を同時に捉える、二重の重要度に配慮した因子分解マシン（DIFM）を提案する。本モデルは、実際の産業界データ上で最先端の性能を達成し、フィールド値の変動およびイベントに対する重要度重みを学習することで、説明可能な予測を提供する。

ABSTRACT

With the explosive growth of e-commerce, online transaction fraud has become one of the biggest challenges for e-commerce platforms. The historical behaviors of users provide rich information for digging into the users' fraud risk. While considerable efforts have been made in this direction, a long-standing challenge is how to effectively exploit internal user information and provide explainable prediction results. In fact, the value variations of same field from different events and the interactions of different fields inside one event have proven to be strong indicators for fraudulent behaviors. In this paper, we propose the Dual Importance-aware Factorization Machines (DIFM), which exploits the internal field information among users' behavior sequence from dual perspectives, i.e., field value variations and field interactions simultaneously for fraud detection. The proposed model is deployed in the risk management system of one of the world's largest e-commerce platforms, which utilize it to provide real-time transaction fraud detection. Experimental results on real industrial data from different regions in the platform clearly demonstrate that our model achieves significant improvements compared with various state-of-the-art baseline models. Moreover, the DIFM could also give an insight into the explanation of the prediction results from dual perspectives.

研究の動機と目的

• ユーザー行動シーケンス内およびその間の内部フィールド情報（フィールド値の変動と相互作用）を効果的かつ統合的に活用する課題に対処すること。
• 統一されたフレームワーク内でフィールド値の変動とフィールド相互作用を捉えることで、不正検出モデルの性能を向上させること。
• フィールド値の変動およびイベントの重要度重みを学習することで、リスク管理における実行可能なインサイトを提供する説明可能な予測を提供すること。
• 既存のモデルがフィールドレベルのダイナミクスを区別できないことや、解釈可能な結果を提供できないという限界を克服すること。

提案手法

• DIFMは二重ブランチアーキテクチャを採用する：一方のブランチは、重要度に配慮した重み付けを施したフィールド値変動モジュールを用いて、任意の二つのイベント間のフィールド値の変動をモデル化する。
• もう一方のブランチは、各イベント内でのフィールド相互作用をモデル化するフィールド相互作用モジュールを用い、これもイベントの重要度に配慮した重み付けを備える。
• 重要度に配慮したモジュールは、不正リスクへの寄与度を反映して、フィールド値の変動およびイベントに学習可能な重みを割り当てる。
• DIFMのワイド部は、個々のフィールド値を直接スコアリングでき、リアルタイムのリスクスクリーニングにおけるブラックリスト／ホワイトリストのエントリとして利用可能である。
• 本モデルは、解釈可能性を保ちつつ、2次元特徴相互作用を効率的に学習できる因子分解マシンを統合する。
• 最終的な予測は、両方の視点からの寄与を組み合わせ、注目メカニズムに類似した重み付けにより、高リスクパターンを強調する。

実験結果

リサーチクエスチョン

• RQ1 ユーザーのイベント間におけるフィールド値の変動を、不正行動の検出に効果的にモデル化する方法は何か？
• RQ2 順序パターンを超えて、個々のイベント内でのフィールド相互作用が不正検出にどの程度寄与するか？
• RQ3 統一されたモデルが、同時にフィールド変動と相互作用の信号を活用することで、不正検出の性能を向上させられるか？
• RQ4 特定のフィールド値の変動およびイベントの重要度を学習することで、解釈可能な説明を提供できるか？

主な発見

• DIFMは、世界的に主要な電子商取引プラットフォームの実際の産業データセットにおいて、最先端のベースラインと比較して顕著な性能向上を達成した。
• RNNベースの手法や他の順序モデリングアプローチに比べ、細かく分類された値の変動パターンを捉えることで、不正の強力な指標となる。
• IP、カードバン、メールのドメイン後ろ部分の変化といったフィールド値の変動は、予測に非常に有効であり、特に「メールドメイン後ろ部分 #2」のような特定の値は、データセット内で100％の不正率を示した。
• DIFMが学習した重要度重みは、高リスクのイベントやフィールド（例：1人のユーザーの履歴内で複数のフィールド値が変更されたもの）を的確に特定し、不正と強く相関する。
• モデルの解釈可能性のおかげで、リスクシステムへの直接統合が可能となり、高リスクのフィールド値をブラックリストに追加し、低リスクのものをホワイトリストに追加できる。
• 事例研究により、DIFMは可視化された重要度マップを通じて、正確に不正パターンを同定できることを確認した。これは、専門家主導のリスク分析における実用性を示している。