Empowering Credit Risk Detection in Weixin Pay with Billion-Scale Deep Graph Learning
Dieses Paper schlägt ein risikobewusstes Framework für das Lernen überlappender Subgraphen vor, das die Lastverteilung durch budgetbeschränktes Sampling und konsistenzorientierte Abgleichung zwischen Subgraphen mit der Bewahrung kritischer Long-Tail-Risikomuster ausbalanciert und dadurch die Kreditrisikoerkennung im Milliardenmaßstab für Weixin Pay signifikant verbessert.
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 das Internet als eine riesige, geschäftige Stadt vor, in der alle miteinander verbunden sind. In dieser Stadt hinterlässt jeder Mensch digitale Fußspuren – was er kauft, mit wem er spricht und wohin er geht. Meistens erzählen diese Fußspuren eine ganz normale Geschichte. Aber manchmal versuchen einige wenige, sich einzuschleichen, um Geld zu stehlen oder das System zu täuschen. Das nennt man „Kreditbetrug“ (Credit Fraud), und es ist wie ein Versteckspiel, bei dem die Bösewichte sehr gut darin sind, sich zu verstecken. Um sie zu fangen, betrachteten Banken und Zahlungs-Apps früher nur die Fußspuren einer einzelnen Person. Doch die Bösewichte sind schlau; sie arbeiten oft in Gruppen oder verstecken sich im Schatten des Lebens anderer Menschen. Deshalb begannen Wissenschaftler, eine spezielle Art von Karte zu verwenden, die ein „Graph“ genannt wird. Stellen Sie sich einen Graphen nicht als ein Diagramm vor, sondern als ein massives Netz aus Fäden, die Menschen mit Ereignissen verbinden. Wenn man an einem Faden zieht, wackelt das ganze Netz und offenbart verborgene Muster. Das ist die Kraft von „Graph Neural Networks“ (GNNs) – sie sind wie superintelligente Detektive, die erkennen können, ob die Verbindungen einer Person darauf hindeuten, dass sie etwas Böses im Schilde führt.
Es gibt jedoch ein riesiges Problem mit diesen Karten. In der realen Welt, wie zum Beispiel bei Weixin Pay, ist die Karte so groß, dass sie Milliarden von Menschen und Verbindungen umfasst. Sie ist zu schwer für einen einzelnen Computer zu halten, so als würde man versuchen, den gesamten Ozean in einer Teetasse zu tragen. Deshalb mussten Ingenieure die Karte in kleinere Stücke schneiden, um die Arbeit auf viele Computer zu verteilen. Aber hier liegt der Haken: Wenn man eine Karte in Stücke schneidet, schneidet man oft genau die Fäden durch, die die Bösewichte mit den Hinweisen verbinden. Es ist, als würde man versuchen, ein Rätsel zu lösen, indem man nur die Hälfte des Tatorts betrachtet; man könnte den wichtigsten Beweis übersehen. Dieses Paper stellt eine neue Art vor, die Karte zu schneiden, die die wichtigen Fäden intakt hält, ohne die Stücke zu schwer zum Tragen zu machen.
Die Forscher, die mit Tencent's Weixin Pay zusammenarbeiteten, entwickelten ein cleveres System namens RAOS (Risk-Aware Overlapping Subgraph Learning). Stellen Sie sich vor, Sie schneiden eine riesige Pizza, um sie mit einer Gruppe von Freunden zu teilen. Die alte Methode bestand darin, die Pizza perfekt so zu schneiden, dass kein Freund das gleiche Stück erhält. Aber wenn ein „schlechter Belag“ (ein Betrüger) direkt am Rand eines Stücks saß, könnte die Person, die dieses Stück hält, ihn übersehen, weil der Belag technisch gesehen auf dem Stück des Nachbarn lag. Die neue Methode, RAлось, ist wie das Schneiden der Pizza mit einem kleinen Überlapp. Sie geben jedem Freund ein Stück, aber Sie lassen ihn auch ein winziges Stück des Stücks seines Nachbarn halten. Auf diese Weise hat jeder, der in der Nähe ist, die Chance, den schlechten Belag zu sehen, falls er auf dem Rand liegt.
Aber es besteht ein Risiko: Wenn man jedem zu viel vom Stück des Nachbarn gibt, bekommt man viel zu viel zusätzlichen Käse und Teig, der nicht hilft (dies wird als „Rauschen“ und „Redundanz“ bezeichnet). Das Team löste dies, indem es sehr wählerisch dabei war, welche zusätzlichen Teile hinzugefügt werden. Sie konzentrierten sich auf die „Long-Tail“-Verbindungen – das sind die leisen, weniger populären Verbindungen, die oft die geheimen Hinweise zu verborgenem Betrug halten. Sie verwendeten einen speziellen Filter (basierend auf etwas, das „h-Index“ genannt wird), um diese wichtigen, aber übersehenen Teile zu finden und sie den Stücken hinzuzufügen, während sie die verrauschten, unwichtigen Teile ignorierten.
Darüber hinaus könnte der Computer verwirrt werden, da dieselbe Person auf zwei verschiedenen Stücken erscheinen kann, und denken, es handele sich um zwei verschiedene Personen mit unterschiedlichen Geschichten. Um dies zu beheben, fügte das Team einen Schritt zur „Konsistenzabstimmung“ (Consistency Alignment) hinzu. Es ist wie eine Teambesprechung, bei der alle Freunde ihre Notizen über die Person, die auf beiden Stücken erscheint, vergleichen, um sicherzustellen, dass sie sich alle darüber einig sind, wer diese Person wirklich ist. Dies stellt sicher, dass das fertige Bild klar und genau ist.
Als sie dieses neue System mit echten Daten von Weixin Pay testeten, die Hunderte von Millionen Nutzer umfassen, waren die Ergebnisse beeindruckend. Die neue Methode war viel besser darin, Betrüger aufzuspüren, als die alten Wege des Schneidens der Karte. Sie war nicht nur besser darin, die offensichtlichen Bösewichte zu fangen, sondern auch viel besser darin, vorherzusagen, wer in Zukunft ein Betrüger werden könnte (eine „Forward Risk“-Vorhersage). Tatsächlich verbesserte sie die Fähigkeit, riskante Nutzer zu identifizieren, um über 10 % gegenüber der Standardmethode, die die Karte einfach ohne Überlappung schneidet. Überraschenderweise war ihre neue Methode sogar besser darin, Betrug zu finden, als zu versuchen, die gesamte Karte auf einmal zu betrachten, da der alte „Gesamt-Map“-Ansatz durch zu viel Rauschen verwirrt wurde.
In der realen Welt bedeutet dies weniger Menschen, die durch Betrugsmaschen ihr Geld verlieren, und ein sichereres Finanzsystem für alle. Das Team setzte dieses System in einem Live-Test mit echten Nutzern ein, und es konnte erfolgreich mehr riskante Nutzer identifizieren und mehr finanziellen Verlust verhindern als die bisherigen Systeme. Indem sie die Teile des Puzzles sorgfältig überlappten und sicherstellten, dass sich alle über das Bild einig sind, gelang es ihnen, ein Problem zu lösen, das zuvor zu groß und zu komplex für Computer allein war.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.