Aprendizaje contrastivo basado en hipergrafos para la detección mejorada de fraudes

Área de la Ciencia:

• Inteligencia Artificial
• Aprendizaje Automático
• Ciberseguridad

Sus antecedentes:

• Las plataformas digitales se enfrentan a fraudes sofisticados que utilizan ataques de múltiples saltos.
• Las Redes Neuronales de Grafos (GNN) tradicionales tienen dificultades con patrones de fraude complejos debido a la homofilia, el desequilibrio de etiquetas y el ruido.
• Los métodos existentes no logran capturar las estructuras relacionales de orden superior en las redes de fraude.

Objetivo del estudio:

• Desarrollar un marco novedoso, la Red de Aprendizaje Contrastivo Basada en Hipergrafos (HCLNet), para la detección de fraudes camuflados.
• Superar las limitaciones de las GNN tradicionales para capturar patrones de fraude complejos y de orden superior.
• Mejorar la precisión y robustez de los sistemas de detección de fraudes en los ecosistemas digitales.

Principales métodos:

• Fusión de hipergrafos multirrelacionales para modelar sindicatos de fraude grupales.
• Agregación de hipergrafos con compuertas multienabezales para la captura de patrones diversos y el equilibrio de características.
• Aprendizaje contrastivo jerárquico de doble vista con enmascaramiento de características y abandono de topología para la discriminación autocontenida.

Principales resultados:

• HCLNet demostró un rendimiento superior en conjuntos de datos del mundo real en comparación con los métodos de referencia.
• Se observaron mejoras significativas en las métricas clave de evaluación para la detección de fraudes.
• El modelo reveló eficazmente patrones de separación distintos entre entidades fraudulentas y benignas

Conclusiones:

• HCLNet ofrece un nuevo y potente enfoque para combatir las tácticas de fraude camuflado en evolución.
• La capacidad del marco para modelar relaciones complejas mejora las capacidades de detección.
• Esta investigación contribuye a una detección de fraudes más robusta en entornos digitales.