[论文解读] 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 5

一句话总结

本文提出ASA-GNN，一种自适应图神经网络，通过使用余弦相似度和边权重，对欺诈节点选择性地采样邻居，同时基于熵的邻居多样性度量可缓解过平滑和伪装效应。该方法在多个真实金融数据集上实现最先进性能，F1分数最高提升6.8%，AUC显著优于现有模型。

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.

研究动机与目标

• 解决在交易网络中检测欺诈的问题，其中欺诈者模仿合法用户行为以逃避检测。
• 克服传统GNN在处理噪声大、类别不平衡的交易图时的局限性，以及模糊类别边界的过平滑问题。
• 通过自适应选择在结构和行为上相似的邻居，提升欺诈节点的表征学习能力，增强判别性能。
• 提出基于熵的邻居多样性度量，用于检测并减少有害的邻居聚合，从而防止欺诈者伪装行为。
• 通过集成自适应采样、加权聚合和动态邻域扩展，实现在真实世界金融数据集上的卓越性能。

提出的方法

• 从原始交易数据构建加权多图，将时间、空间和行为特征编码为节点属性和边权重。
• 采用基于节点嵌入余弦相似度和边权重的自适应邻居采样策略，优先选择在结构和行为上相似的邻居。
• 对欺诈节点进行过采样，以补偿其通常稀疏的连接性，改善表征学习。
• 引入基于节点邻居间熵的邻居多样性度量，用于检测并惩罚同质化、可能具有误导性的聚合。
• 采用多层GNN架构，结合可学习的注意力与聚合机制，根据邻居集合的多样性和相似性动态调整。
• 使用交叉熵损失和Adam优化器端到端训练模型，优化欺诈与合法交易的节点分类任务。

实验结果

研究问题

• RQ1 与随机或均匀采样相比，基于相似性和边权重的自适应邻居采样是否能提升交易图中的欺诈检测性能？
• RQ2 基于熵的邻居多样性度量在多大程度上能减少过平滑并检测欺诈交易中的伪装行为？
• RQ3 ASA-GNN在具有高度类别不平衡和复杂欺诈模式的真实金融数据集上的表现，相较于最先进GNN模型如何？
• RQ4 自适应采样与多样性感知聚合的集成是否能提升学习表征的类间分离度与类内紧凑性？
• RQ5 所提出方法是否能在具有不同时间与空间动态特性的多种交易数据集上实现良好泛化？

主要发现

• 与次优基线相比，ASA-GNN在TC12数据集上F1分数提升6.8%，AUC显著提高。
• 在所有五个评估数据集（PR01、PR02、XF、TC12、TC34）上，该模型均优于GCN、GraphSAGE、GAT、RGCN、HAN及其他最先进GNN模型。
• 可视化结果表明，ASA-GNN成功在嵌入空间中将欺诈节点与合法节点分离，而GCN和GraphSAGE则未能保持类别区分性。
• 邻居多样性度量通过识别并降低同质化邻域的权重，有效缓解了过平滑问题，防止欺诈行为被掩盖。
• ASA-GNN的自适应采样策略能有效过滤噪声邻居，同时保留对少数欺诈节点而言有意义的结构与行为模式。
• 该方法对数据不平衡和动态用户行为表现出鲁棒性，在多样化金融交易场景中均实现一致的性能提升。