[논문 리뷰] Transaction Fraud Detection via an Adaptive Graph Neural Network

Yue Tian, Guanjun Liu외 2명|arXiv (Cornell University)|2023. 07. 11.

Imbalanced Data Classification Techniques인용 수 5

한 줄 요약

이 논문은 거래 사기 탐지 성능을 향상시키기 위해 코사인 유사도와 엣지 가중치를 활용해 사기 노드의 이웃을 선택적으로 샘플링하는 적응형 그래프 신경망 ASA-GNN을 제안한다. 동시에 엔트로피 기반의 이웃 다양성 지표를 통해 과도한 스무딩과 사기자 감추기 효과를 완화한다. 이 방법은 다양한 실생활 금융 데이터셋에서 최신 기술 수준(SOTA) 성능을 달성하며, 기존 모델 대비 F1 점수 최대 6.8% 향상 및 AUC 상당한 향상 달성.

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.

연구 동기 및 목표

• 사기자가 정상 사용자 행동을 모방하여 탐지되는 것을 피하는 거래 네트워크에서의 사기 탐지 과제 해결.
• 노이즈가 많고 불균형한 거래 그래프를 처리하는 데 어려움을 겪고, 클래스 경계를 흐리게 하는 과도한 스무딩 문제를 해결.
• 사기 노드의 구조적 및 행동적 유사성을 기반으로 적응적으로 선택된 이웃을 통해 표현 학습을 향상시키고 분류 능력을 강화.
• 엔트로피를 기반으로 한 이웃 다양성 지표를 개발하여 유해한 이웃 집합 평균화를 탐지하고 감소시켜 사기자 감추기 행동을 방지.
• 적응형 샘플링, 가중치 기반 집합, 동적 이웃 확장 통합을 통해 실생활 금융 데이터셋에서 뛰어난 성능 달성.

제안 방법

• 시간적, 공간적, 행동적 특성을 노드 특성과 엣지 가중치로 인코딩하여 원시 거래 데이터에서 가중치가 부여된 다중 그래프를 구성.
• 노드 임베딩 간 코사인 유사도와 엣지 가중치를 기반으로 한 적응형 이웃 샘플링 전략을 적용하여 구조적 및 행동적 유사성을 가진 이웃을 우선순위로 선별.
• 사기 노드의 일반적으로 희박한 연결성을 보상하기 위해 이웃을 과도하게 샘플링하여 표현 학습 향상.
• 노드의 이웃들 간 엔트로피를 기반으로 한 이웃 다양성 지표를 도입하여 동일성 높은, 잠재적으로 오도하는 집합 평균화를 탐지하고 처벌.
• 이웃 집합의 다양성과 유사도에 따라 동적으로 조정되는 가중치 기반의 다층 GNN 아키텍처를 사용하며, 학습 가능한 어텐션 및 집합 메커니즘 통합.
• Adam 옵timizer를 사용하여 교차 엔트로피 손실을 기반으로 엔드 투 엔드로 모델을 훈련하여 사기 대비 정상 거래의 노드 분류를 최적화.

실험 결과

연구 질문

• RQ1 노드 임베딩 간 유사도와 엣지 가중치를 기반으로 한 적응형 이웃 샘플링 전략이 무작위 또는 균일 샘플링 대비 거래 그래프에서의 사기 탐지 성능 향상에 기여하는가?
• RQ2 엔트로피 기반의 이웃 다양성 지표가 과도한 스무딩을 어느 정도 감소시키고 사기 거래에서의 감추기 행동을 탐지하는 데 기여하는가?
• RQ3 ASA-GNN은 높은 클래스 불균형과 복잡한 사기 패tern을 가진 실생활 금융 데이터셋에서 최신 기술 수준(GNN) 모델 대비 성능이 뛰어나게 되는가?
• RQ4 적응형 샘플링과 다양성 인식 집합 평균화의 통합이 학습된 표현에서 클래스 간 분리도 향상 및 클래스 내 응집도 향상에 기여하는가?
• RQ5 제안된 방법은 시간적 및 공간적 동적 특성이 다른 다양한 거래 데이터셋 간에 일반화 가능한가?

주요 결과

• ASA-GNN은 TC12 데이터셋에서 다음 최고의 베이스라인 대비 F1 점수 6.8% 향상 및 AUC 상당한 향상 달성.
• 모델은 PR01, PR02, XF, TC12, TC34의 다섯 개 데이터셋 전반에서 GCN, GraphSAGE, GAT, RGCN, HAN 및 기타 최신 기술 수준(GNN) 모델을 모두 능가.
• 시각화 결과는 ASA-GNN이 GCN 및 GraphSAGE가 클래스 구분을 유지하지 못하는 것과 달리 임베딩 공간에서 사기 노드를 정상 노드와 성공적으로 분리함을 보여줌.
• 이웃 다양성 지표는 동일한 이웃 집합이 유해하게 작용할 수 있는 과도한 스무딩을 효과적으로 감소시켜 사기 행동을 숨기기 쉬운 환경을 탐지함.
• ASA-GNN의 적응형 샘플링 전략은 노이즈가 많은 이웃을 걸러내면서도 소수의 사기 노드에 특히 중요한 구조적 및 행동적 패턴을 유지함.
• 이 방법은 데이터 불균형과 동적인 사용자 행동에 대해 강건하며, 다양한 금융 거래 환경에서 일관된 성능 향상 기록함.