[論文レビュー] The Importance of Future Information in Credit Card Fraud Detection

Van Bach Nguyen, Kanishka Ghosh Dastidar+2 more|arXiv (Cornell University)|Apr 11, 2022

Imbalanced Data Classification Techniques被引用数 10

ひとこと要約

本論文は、取引後1日以内に入手可能な将来の取引データを活用する、新たな事後的不正検出パラダイムを提案している。Bidirectional LSTM (Bi-LSTM) を用いることで、検出精度を向上させている。この手法は、過去の文脈のみに依存する標準的なLSTMよりも優れており、不正取引、不正利用されたカード、および早期の不正事例をより多く検出する。4-1-2のBi-LSTM構成では、集約特徴量上でAUCPRが0.403 ± 0.021を達成した。

ABSTRACT

Fraud detection systems (FDS) mainly perform two tasks: (i) real-time detection while the payment is being processed and (ii) posterior detection to block the card retrospectively and avoid further frauds. Since human verification is often necessary and the payment processing time is limited, the second task manages the largest volume of transactions. In the literature, fraud detection challenges and algorithms performance are widely studied but the very formulation of the problem is never disrupted: it aims at predicting if a transaction is fraudulent based on its characteristics and the past transactions of the cardholder. Yet, in posterior detection, verification often takes days, so new payments on the card become available before a decision is taken. This is our motivation to propose a new paradigm: posterior fraud detection with "future" information. We start by providing evidence of the on-time availability of subsequent transactions, usable as extra context to improve detection. We then design a Bidirectional LSTM to make use of these transactions. On a real-world dataset with over 30 million transactions, it achieves higher performance than a regular LSTM, which is the state-of-the-art classifier for fraud detection that only uses the past context. We also introduce new metrics to show that the proposal catches more frauds, more compromised cards, and based on their earliest frauds. We believe that future works on this new paradigm will have a significant impact on the detection of compromised cards.

研究の動機と目的

• 人為的検証の遅延により、取引後1日以内に将来の取引データが入手可能であることを踏まえ、そのデータが事後的クレジットカード不正検出性能を向上させられるかを調査すること。
• 過去と未来の両方の取引シーケンスを効果的に統合できるBi-LSTMモデルを設計すること。
• 将来の情報が、より多くの不正取引、不正利用されたカード、および早期の不正事例の検出に与える影響を評価すること。
• さまざまなシーケンス構成において、提案されたBi-LSTMと最先端のモデル（LSTMやランダムフォレスト）の性能を比較すること。
• 最大の検出性能を得るための、過去と未来の文脈長の最適なバランスを特定すること。

提案手法

• 著者らは、ターゲット取引の周囲の過去および未来の文脈を含む取引シーケンスを処理する、Bidirectional LSTM (Bi-LSTM) アーキテクチャを用いている。
• モデルは、グローバル決済プロバイダーの実世界データセット（3000万件以上の取引）を用いて訓練されており、シーケンスは設定可能な過去および未来の取引数（例：4-1-2：4件の過去、1件のターゲット、2件の未来）で定義されている。
• 特徴工学には、基本的な取引特徴と、過去および未来のシーケンスにおける集約統計（例：合計、カウント、平均）を含め、文脈を豊かにしている。
• 標準的な不正検出指標（AUCPR、F1スコア、AUC）を用いてモデルを評価しており、特に不正利用カードの最初の不正取引の検出に注目している。
• アブレーションスタディでは、異なるシーケンス構成（例：4-1-0 対 4-1-2）およびモデルタイプ（LSTM 対 Bi-LSTM 対 ランダムフォレスト）を比較し、将来情報の影響を分離している。
• 集約特徴量の有無を比較することで、モデル性能向上に与える補完的役割を評価している。

実験結果

リサーチクエスチョン

• RQ1 取引後1日以内に入手可能な将来の取引データは、事後的不正検出性能を向上させられるか？
• RQ2 過去と未来の両方の取引シーケンスを活用するBi-LSTMは、過去の文脈のみに依存する標準的なLSTMよりも優れているか？
• RQ3 不正検出性能の観点から、過去と未来の文脈長の最適なバランスは何か？
• RQ4 集約された取引特徴量の組み込みは、早期の不正や不正利用カードの検出にどのように影響するか？
• RQ5 提案されたBi-LSTMモデルは、最先端のモデルと比較して、より多くの不正取引および早期の不正事例を検出できるか？

主な発見

• 4-1-2構成（4件の過去、1件のターゲット、2件の未来）のBi-LSTMは、集約特徴量上でAUCPRが0.403 ± 0.021を達成し、LSTMベースラインおよびランダムフォレストを顕著に上回った。
• 過去と未来の文脈が等距離である2-1-2のバランス構成が、すべての指標で最高のパフォーマンスを示し、両側からの等長文脈が最適であることを示唆している。
• わずか2件の将来取引でも、過去の文脈のみを用いるモデルよりも、より多くの不正取引および不正利用カードを検出できた。
• ベースラインモデルよりも、カードの最初の不正取引を早期に検出できた。これは、金融的損失を最小限に抑える上で極めて重要である。
• 集約特徴量の使用は、すべてのモデルでパフォーマンスを向上させたが、特に最初の不正取引の検出において最も大きな向上が見られた。
• 短いBi-LSTMシーケンス（2-1-2）は、長いLSTMシーケンス（9-1-0）と比較して、同等またはより高いパフォーマンスを達成しており、効率的でデータ依存性が低いことを示している。