强化学习与图形神经网络 (RL-GNN) 融合以实时检测金融欺诈:一个上下文意识的社区挖矿方法

科学领域:

• 金融技术 金融技术
• 机器学习 机器学习
• 数据挖掘 数据挖掘

背景情况:

• 金融欺诈的检测受到不平衡的数据集和复杂的交易模式的挑战.
• 现有的方法经常与可扩展性和实时处理要求作斗争.
• 图形神经网络 (GNN) 是有前途的,但需要对动态金融数据进行优化.

研究的目的:

• 开发和评估一个新的框架,利用GNN优化强化学习 (RL) 进行欺诈检测.
• 提高在不平衡的财务数据中识别欺诈性交易的准确性和效率.
• 通过实时推断和可扩展性来证明框架的实际适用性.

主要方法:

• 集成社区交换数据挖掘与多种类型异常检测算法.
• 利用时间序列模式,结构性质和上下文特征进行检测.
• 使用图表注意网络 (GAT) 与RL控制器相结合,以优化决策和奖励机制.

主要成果:

• 在IEEE-CIS数据集上获得了0.872的接收器操作特征曲线 (AUROC) 下面面积,平均精度为0.683.
• 与基线GNN模型相比,歧视力增加了15.7%,虚假阳性率减少了33%.
• 展示了对集群欺诈模式的改进检测,在回忆和近实时推断 (延迟42毫秒) 中获得了19.7%的收益.

结论:

• 针对RL优化的GNN框架显著提高了超越传统准确度指标的欺诈检测性能.
• 该系统提供了实用优势,包括可扩展到大型交易图和近实时处理.
• 这种方法为寻求打击复杂欺诈模式的金融机构提供了强大而高效的解决方案.