Prediction of bank transaction fraud using TabNet an adaptive deep learning architecture
Diese Studie zeigt, dass TabNet, eine durch SMOTE zur Klassenausgleichung verbesserte adaptive Deep-Learning-Architektur, andere Deep-Learning-Modelle bei der Erkennung von Banktransaktionsbetrug auf einem indischen Datensatz signifikant übertrifft, indem sie eine Genauigkeit von 97,39 % und einen ROC-AUC von 0,9739 erreicht und gleichzeitig die für die regulatorische Compliance und das operationelle Risikomanagement erforderliche Interpretierbarkeit bietet.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich die digitale Welt als eine geschäftige, neonbeleuchtete Stadt vor, in der Geld nicht in Tresoren liegt, sondern als unsichtbare Datenpakete umherrast. In dieser Stadt wird bei jedem Kaffeekauf oder jeder Geschenksendung ein winziger digitaler Beleg gestempelt und an ein riesiges, unsichtbares Hauptbuch gesendet. Dies ist das Reich von FinTech, wo Technologie auf Finanzen trifft. Aber genau wie jede große Stadt hat auch diese digitale Metropole ihren Anteil an Taschendieben und Räubern. Diese Kriminellen stehlen nicht nur Geldbörsen; sie stehlen Identitäten und leeren Bankkonten, indem sie sich als Sie ausgeben. Um sie zu fangen, verließen sich Banken früher auf „Regelbücher“ – einfache Listen wie „Wenn jemand in einer Minute 10.000 $ ausgibt, stoppe ihn!“. Doch die Diebe sind clever; sie lernen die Regeln kennen und finden Wege, sich an ihnen vorbeizuschleichen.
Hier kommt Maschinelles Lernen ins Spiel, der digitale Detektiv, der nicht nur Regelbücher liest, sondern lernt, Muster zu erkennen. Stellen Sie sich einen Detektiv vor, der Millionen von Menschen vorbeigehen sieht und lernt, wie ein „normaler“ Gang aussieht. Wenn plötzlich jemand auf einem Bein hüpft, während er ein Clownskostüm trägt, weiß der Detektiv, dass etwas nicht stimmt. Es gibt jedoch einen Haken: Die meisten Menschen gehen normal, und nur wenige hüpfen herum. Dies macht es für den Detektiv schwierig zu lernen, da er zu wenige „Clowns“ sieht, um sich daran zu erinnern, was ein echter Clown ist, oder schlimmer noch, er beginnt zu denken, dass jeder ein Clown ist. Dies ist die Herausforderung imbalancierter Daten. Darüber hinaus müssen Banken wissen, warum der Detektiv jemanden gestoppt hat. Wenn der Detektiv eine „Black Box“ ist, die keine Gründe liefert, kann die Bank dies dem Kunden oder den Regulierungsbehörden nicht erklären. Hier kommt Erklärbare KI (XAI) ins Spiel – es ist der Detektiv, der auf die spezifischen Hinweise (wie „sie trugen um 3 Uhr morgens ein Clownskostüm“) zeigen kann, die zur Festnahme führten.
Dieses Paper ist die Geschichte eines Teams von Forschern, die beschlossen haben, eine neue Art von digitalem Detektiv namens TabNet zu testen, um Bankbetrüger zu fangen. Sie nahmen einen massiven Datensatz echter Banktransaktionen aus Indien – über 124.000 Datensätze – und stellten TabNet gegen fünf andere berühmte Detektiv-Stile: das standardmäßige tiefe neuronale Netz (DNN), das speicherintensive LSTM, das schnelle GRU, den mustererkennenden CNN1D und einige andere. Die Forscher wollten sehen, welcher Detektiv Betrüger am genauesten aufspüren kann, ohne durch das schiere Volumen normaler Transaktionen verwirrt zu werden, und welcher seine Argumentation klar erklären kann.
Die Ergebnisse waren ein Schock für die Detektive der alten Schule. Das standardmäßige tiefe neuronale Netz (DNN), das LSTM, das GRU und das CNN1D hatten schwer zu kämpfen. Tatsächlich scheiterten sie größtenteils. Das DNN und das CNN1D gaben im Wesentlichen auf und sagten voraus, dass jede einzelne Transaktion Betrug sei, was so ist, als würde ein Sicherheitsmann jeden im Einkaufszentrum festnehmen, weil er Angst vor einem einzigen Dieb hat. Ihre Genauigkeit war bei nutzlosen 50 % festgefahren, nicht besser als ein Münzwurf. Das LSTM und das GRU, die großartig darin sind, Sequenzen wie eine Geschichte zu erinnern, stolperten ebenfalls, da die Banktransaktionen in diesem Datensatz keiner strengen geschichtenartigen Ordnung folgten; sie waren einfach eine Liste von Ereignissen. Diese Modelle wurden verwirrt, produzierten viele Fehlalarme und übersahen echte Diebe.
Doch dann trat TabNet auf den Plan, und es war eine völlig andere Geschichte. TabNet ist eine spezielle Art von Detektiv, der speziell für „tabellarische Daten“ entwickelt wurde – das ist nur ein schicker Begriff für Tabellen mit Zeilen und Spalten aus Zahlen und Kategorien. Anstatt zu versuchen, alles auswendig zu lernen, nutzt TabNet einen Mechanismus namens „Sparse Attention“ (dünnbesetzte Aufmerksamkeit). Denken Sie an einen Detektiv, der eine magische Brille trägt. Wenn er eine Transaktion betrachtet, dimmt die Brille die unwichtigen Details (wie die Farbe des Himmels) ab und wirft ein helles Spotlight nur auf die Hinweise, die wirklich zählen (wie die Tageszeit oder das verwendete Gerät). Dies ermöglicht es TabNet, das Rauschen zu ignorieren und sich auf das Signal zu konzentrieren.
Das Ergebnis war beeindruckend. TabNet erreichte eine Genauigkeit von 97,39 %, mit einem Score namens ROC-AUC von 0,9739. Um das in Perspektive zu setzen: Während die anderen Modelle wie bei einem Münzwurf rätten, spürte TabNet Betrüger mit nahezu perfekter Präzision auf. Es identifizierte fast alle echten Betrugsfälle korrekt und machte dabei sehr wenige Fehler bei den ehrlichen Transaktionen. Vielleicht am wichtigsten ist, dass TabNet nicht nur ein „Schuldig“-Urteil fällte; es legte seine Arbeit offen. Es konnte der Bank genau sagen, welche Merkmale (wie „Transaktionsbetrag“ oder „Uhrzeit des Tages“) am verdächtigsten waren, was es zu einem transparenten und vertrauenswürdigen Werkzeug für Regulierungsbehörden machte.
Die Forscher tauchten auch tief in die Daten ein, um zu verstehen, wie die Betrüger operierten, und fanden dabei einige interessante Wendungen. Entgegen der Vorstellung, dass Diebe nur mitten in der Nacht zuschlagen, zeigten die Daten, dass Betrug oft während der geschäftigen Geschäftszeiten stattfindet, speziell zwischen 8 Uhr morgens und 17 Uhr nachmittags, mit einem Höhepunkt gegen 10–11 Uhr vormittags. Die Diebe versteckten sich direkt vor aller Augen und mischten sich unter die Menge der normalen Käufer. Sie bemerkten auch, dass Betrüger oft kleine Abhebungen von Konten mit sehr hohen Salden tätigten, um durch den Versuch, nicht zu viel auf einmal zu nehmen, unauffällig zu bleiben.
Am Ende legt das Paper nahe, dass für das Aufspüren von Bankbetrug in einer Tabellenkalkulationswelt die alten, schweren „Black-Box“-Detektive nicht die beste Wahl sind. Stattdessen ist ein spezialisiertes, transparentes und adaptives Modell wie TabNet der richtige Weg. Es geht nicht nur darum, die Bösen zu fangen; es geht darum, dies auf eine Weise zu tun, die schnell, genau und leicht erklärbar ist. Die Studie bestätigt, dass die digitale Stadt zwar voller cleverer Diebe ist, wir nun aber einen Detektiv mit der richtigen Brille haben, um sie klar zu sehen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.