[論文レビュー] Transaction Fraud Detection via an Adaptive Graph Neural Network

Yue Tian, Guanjun Liu+2 more|arXiv (Cornell University)|Jul 11, 2023

Imbalanced Data Classification Techniques被引用数 5

ひとこと要約

本稿では、コサイン類似度とエッジ重みを用いて、不正なノードの近隣ノードを選択的にサンプリングすることで、取引不正検知を向上させる適応的グラフニューラルネットワークASA-GNNを提案する。一方で、エントロピーに基づく近隣ノード多様性メトリクスにより、過剰スムージングおよび不正行為の隠蔽効果を緩和する。本手法は、複数の実世界の金融データセットで最先端の性能を達成し、F1スコアで最大6.8%向上し、AUCも顕著に向上させた。

ABSTRACT

Many machine learning methods have been proposed to achieve accurate transaction fraud detection, which is essential to the financial security of individuals and banks. However, most existing methods leverage original features only or require manual feature engineering. They lack the ability to learn discriminative representations from transaction data. Moreover, criminals often commit fraud by imitating cardholders' behaviors, which causes the poor performance of existing detection models. In this paper, we propose an Adaptive Sampling and Aggregation-based Graph Neural Network (ASA-GNN) that learns discriminative representations to improve the performance of transaction fraud detection. A neighbor sampling strategy is performed to filter noisy nodes and supplement information for fraudulent nodes. Specifically, we leverage cosine similarity and edge weights to adaptively select neighbors with similar behavior patterns for target nodes and then find multi-hop neighbors for fraudulent nodes. A neighbor diversity metric is designed by calculating the entropy among neighbors to tackle the camouflage issue of fraudsters and explicitly alleviate the over-smoothing phenomena. Extensive experiments on three real financial datasets demonstrate that the proposed method ASA-GNN outperforms state-of-the-art ones.

研究の動機と目的

• 不正行為者が正当なユーザー行動を模倣することで検知を回避する取引ネットワークにおける不正検知の課題に対処すること。
• ノイズが多く、不均衡な取引グラフを扱う際の従来のGNNの限界、およびクラス境界を曇らせる過剰スムージング問題を克服すること。
• 不正なノードに対して構造的および行動的に類似した近隣ノードを適応的に選択することで、表現学習を向上させ、識別力を強化すること。
• エントロピーを用いた多様性メトリクスを導入し、不正行為の隠蔽を可能にする有害な近隣集約を検出し、低減すること。
• 適応的サンプリング、重み付き集約、動的近隣拡張を統合することで、実世界の金融データセットで優れた性能を達成すること。

提案手法

• 時間的・空間的・行動的特徴をノード属性およびエッジ重みとして符号化し、生の取引データから重み付きマルチグラフを構築する。
• ノード埋め込み間のコサイン類似度とエッジ重みを用いた適応的近隣ノードサンプリング戦略を適用し、構造的および行動的に類似した近隣ノードを優先する。
• 不正ノードの接続が通常は疎であるため、表現学習の向上を図るため、不正ノードの近隣ノードを過剰にサンプリングする。
• ノードの近隣におけるエントロピーに基づく近隣多様性メトリクスを導入し、均一的で誤解を招く可能性のある集約を検出し、ペナルティを課す。
• 近隣集合の多様性と類似性に基づいて動的に調整される学習可能なアテンションおよび集約メカニズムを備えたマルチレイヤーGNNアーキテクチャを用いる。
• Adam最適化手法を用い、交差エントロピー損失を最適化することで、不正取引対するノード分類のためのエンドツーエンド学習を行う。

実験結果

リサーチクエスチョン

• RQ1 類似度とエッジ重みに基づく適応的近隣ノードサンプリングは、ランダムまたは均一なサンプリングと比較して、取引グラフにおける不正検知を向上させることができるか？
• RQ2 エントロピーに基づく近隣多様性メトリクスは、過剰スムージングをどれほど軽減し、不正取引における隠蔽行動を検出できるか？
• RQ3 ASA-GNNは、高クラス不均衡性と複雑な不正パターンを示す実世界の金融データセットにおいて、最先端のGNNと比較してどの程度の性能を発揮するか？
• RQ4 適応的サンプリングと多様性認識集約を統合することで、学習された表現におけるクラス間分離性の向上とクラス内コンパクト性の向上が達成できるか？
• RQ5 提案手法は、時間的・空間的ダイナミクスが異なるさまざまな取引データセットに一般化可能か？

主な発見

• ASA-GNNは、次のベストベースラインと比較して、TC12データセットでF1スコアに6.8%の向上を達成し、AUCにおいて顕著な向上を示した。
• PR01、PR02、XF、TC12、TC34の5つの評価済みデータセットすべてにおいて、GCN、GraphSAGE、GAT、RGCN、HAN、その他の最先端GNNを上回った。
• 可視化結果から、ASA-GNNは埋め込み空間において不正ノードと正当ノードを明確に分離しているのに対し、GCNやGraphSAGEはクラスの区別を維持できていないことがわかった。
• 近隣多様性メトリクスは、不正行動を隠蔽する可能性のある均一な近隣を特定し、低減することで、過剰スムージングを効果的に軽減した。
• ASA-GNNの適応的サンプリング戦略は、ノイズの多い近隣をフィルタリングしながら、特に少数派の不正ノードにおいても意味のある構造的・行動的パターンを保持した。
• 本手法は、データの不均衡性および動的なユーザー行動に対して頑健であり、多様な金融取引シナリオにおいて一貫した性能向上を示した。