实时动态图形学习,以时间关注金融欺诈的检测和检测

科学领域:

• 金融技术 (金融科技)
• 机器学习 机器学习
• 图形神经网络的神经网络
• 网络安全 网络安全

背景情况:

• 现有的金融交易风险控制方法在捕捉复杂的时间动态和不断变化的网络结构方面是有限的.
• 以前的基于图形的方法依赖于手工制作的功能,阻碍了适应性和实时性能.
• 对于智能金融平台的先进,自动化解决方案的需求至关重要.

研究的目的:

• 开发一个统一的,实时的动态图形学习框架,以加强金融欺诈的检测.
• 通过从流动交易图表中直接学习表示方式,克服现有方法的局限性.
• 提高欺诈检测系统的准确性和减少虚假警报.

主要方法:

• 引入了一个连续时间,上下文意识的图表注意力转换器 (C2GAT) 来建模结构依赖和时间模式.
• 将多角色交互路径和本地社区结构解为专门的子图模块,用于全面分析.
• 采用了一个统一的框架,用于从原始流量交易数据中学习直接表示.

主要成果:

• 与行业基线相比,在信用-现金回报欺诈检测准确度方面取得了实质性的改进.
• 显著减少了虚假警报,提高了欺诈检测的效率.
• 满足了严格的实时延迟要求,证明了适用于大型金融系统的适用性.

结论:

• 拟议的动态图表学习框架为金融交易风险控制提供了强大的实时解决方案.
• C2GAT和子图模块有效地捕捉动态金融网络中的复杂欺诈行为.
• 该框架提供了一个可扩展和有效的方法,用于在工业环境中部署先进的欺诈检测.