5-4 基于图神经网络的互联网金融欺诈检测.pdf

1、基于图神经网络的互联网金融欺诈检测敖 翔中科院计算所副研究员2022-05-21|01后疫情时代的后疫情时代的互联网金融欺诈互联网金融欺诈02用图神经网络用图神经网络为什么行？为什么行？03用图神经网络用图神经网络有什么坑？有什么坑？04用图神经网络用图神经网络有什么趋势？有什么趋势？目录目录CONTENT|后疫情时代的互联网金融欺诈01|金融欺诈威胁进一步增加FIS reports,the dollar volume of attempted fraudulent transactions rose 35%in April,2020,from a year earlier.Across al

2、l financial products,fraud rates rose by 33%in April 2020,compared with previous monthly averages.新冠疫情的爆发以前所未有的方式冲击了世界经济，进一步增加了遭受金融欺诈的风险。Fraud rate rises 33%during Covid-19 lockdown.https:/ fraud attempts rise during the coronavirus crisis.https:/ Products and Services如传统银行、保险、证券业务如电商平台、生活服务平台突出金融业务

3、远程银行（Remote banking）难以获得全面的客户身份验证信息，导致信用欺诈频发。阿里巴巴开始在其平台上向小企业主提供低息贷款，如生意贷。优步（Uber）在新冠第一波大流行期间为世界各地的弱势社区提供了 1000 万次免费乘车、用餐和送货服务。传统欺诈检测任务的挑战|类别不平衡概念漂移数据不可信传统欺诈检测Trustworthy?互联网欺诈检测任务的挑战|类别极度不平衡对抗攻击标注稀缺互联网欺诈检测互联网欺诈检测任务的挑战|类别极度不平衡对抗攻击标注稀缺互联网欺诈检测特征发现难互联网欺诈检测任务的挑战|类别极度不平衡对抗攻击标注稀缺互联网欺诈检测特征发现难样本价值敏感分布外样本特征学习

4、的指导信号弱用图神经网络为什么行？02|欺诈检测数据的演化|结构化数据半结构化数据非结构化数据量化表格访谈表格XML文件文本声音视频遥感数据欺诈检测模型所使用的数据类型和案例X.Zhu and X.Ao et al.,“Intelligent Financial Fraud Detection Practices in Post-Pandemic Era.”The Innovation,2021,2(4):100176.欺诈检测方法的发展|Rule-based systemsTraditional machine learningDeep learning1980s1990s2010s图神经网

5、络：一种新的趋势|User Profile:结构化、静态、数据缺失、噪声高User Behavior:时序、动态、高频User Relation:非欧氏数据异质图表征udvbca图神经网络方法发现欺诈用户、行为等活动新趋势：将多源和异构数据转换为（异质）图表示，并设计基于 GNN 的方法来发现欺诈活动特征学习能力、半监督学习多源异构数据的整合基于元路径的特征采样优化|Qiwei Zhong,Yang Liu,Xiang Ao*,Binbin Hu,Jinghua Feng,Jiayu Tang*,Qing He.Financial Defaulter Detection on Online C

6、redit Payment via Multi-view Attributed Heterogeneous Information Network.In WWW page 785-795,2020.(CCF A)问题：针对欺诈用户发现有效特征提取难贡献：将风控规则（知识）以元路径形式指导节点特征采样，优化特征提取效果：线上测试，逾期用户识别召回提升10.19%不同场景的风控规则表示为元路径同事朋友亲属BobMikeLily商户商户A A商户商户B B交易转账登录登录登录登录基于元路径的特征采样优化|Qiwei Zhong,Yang Liu,Xiang Ao*,Binbin Hu,Jinghua