超越个人:基于潜伏协同图学习的改进的电信欺诈检测方法

科学领域:

• 计算机科学 计算机科学
• 网络安全 网络安全
• 数据挖掘 数据挖掘

背景情况:

• 电信技术的进步为复杂的电信欺诈创造了机会.
• 现有的欺诈检测方法与共同欺诈和伪装欺诈者作斗争,经常忽视协同效应模式.
• 图形神经网络 (GNN) 通过利用电信互动数据,为检测欺诈提供了潜在的潜力.

研究的目的:

• 开发一种先进的电信欺诈检测系统,能够模拟连续和交互的欺诈行为.
• 为了解决捕捉复杂的,协同作用的欺诈模式的以前方法的局限性.
• 提高大规模电信网络中欺诈检测的准确性和稳定性.

主要方法:

• 开发了一个潜在协同图 (LSG) 基于学习的探测器 (LSG-FD).
• 使用多视图LSG提取器重建协同关系导向图.
• 使用基于LSTM的编码器进行顺序呼叫行为分析.
• 实施了一种双通道图形学习模块,以解决分类和聚合邻居信息的问题.
• 整合了一个抗不平衡的模型训练器,带有标签感知采样器.

主要成果:

• LSG-FD有效地模拟了连续和交互的欺诈行为.
• 双通道图表学习模块成功地缓解了欺诈者的伪装造成的不分类问题.
• 标签意识的采样器有效地纠正了图形不平衡问题.
• 在多个数据集上的实验结果证明了该模型的卓越有效性.

结论:

• 通过考虑协同和顺序模式,LSG-FD提供了一个强大的框架来检测复杂的电信欺诈.
• 为图形重建,特征聚合和不平衡学习提出的方法显著提高了欺诈检测能力.
• 这项研究为打击不断发展的电信欺诈计划提供了有希望的方法.