FinFraudBench: A Heterogeneous Graph Benchmark for Financial Fraud Detection
Dieses Paper stellt FinFraudBench vor, einen neuen Benchmark für heterogene Graphen, der zwei groß angelegte, realistische Finanzdatensätze mit Multi-Entitätstypen und gerichteten Kanten umfasst, um die Einschränkungen bestehender Benchmarks bei der Erfassung der Komplexität, der Klassenimbalance und der Label-Knappheit der realen Finanzbetrugserkennung zu adressieren.
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
In dem riesigen, unsichtbaren Netzwerk der modernen Finanzwelt hinterlässt jeder Kartenstreich oder jede Geldüberweisung einen digitalen Fußabdruck. Jahrzehntelang haben Experten versucht, Betrüger zu überführen, indem sie diese Fußabdrücke einzeln untersuchten und jede Transaktion als isoliertes Ereignis behandelten. Sie untersuchten den Betrag, die Zeit und den Ort in der Hoffnung, ein Muster zu entdecken, das nicht passte. Doch Betrug ist selten eine solitäre Tat; er ist ein Geflecht aus Verbindungen. Eine gestohlene Kreditkarte wird von einer bestimmten Person, in einem bestimmten Geschäft, oft auf eine bestimmte Weise verwendet, die sie mit anderen verdächtigen Aktivitäten verknüpft. Um das Gesamtbild zu verstehen, erkannten Forscher, dass sie aufhören mussten, einzelne Datensätze zu betrachten, und stattdessen damit beginnen mussten, die Beziehungen zwischen den beteiligten Personen, Karten, Händlern und Orten abzubilden. Dieser Wandel von der Überprüfung einzelner Artikel hin zum Verständnis ihrer Verbindungen ist das Fundament der graphbasierten Erkennung – einer Methode, die Finanzdaten nicht als Tabelle, sondern als komplexen Plan von Interaktionen betrachtet.
Ein Forschungsteam hat nun eine neue, realistischere Karte gebaut, um diese Erkennungsmethoden zu testen, und damit eine kritische Lücke in der Art und Weise geschlossen, wie Betrug untersucht wird. Sie entwickelten einen Benchmark namens FinFraudBench, der aus zwei massiven Datensätzen besteht, die aus realen Transaktionsdatensätzen konstruiert wurden. Im Gegensatz zu bisherigen Werkzeugen, die die Finanzwelt in einen einzigen Typ von Knoten oder eine einzige Art von Beziehung vereinfachten, bewahren diese neuen Datensätze die unordentliche, vielschichtige Realität des Finanzwesens. Sie enthalten fast 9 Millionen Knoten, die verschiedene Entitäten wie Kunden, Karten, Händler, Kategorien und Standorte repräsentieren, die durch fast 90 Millionen gerichtete Verbindungen miteinander verknüpft sind. Die Forscher organisierten diese Daten sorgfältig, um die schwierigen Bedingungen der realen Welt nachzuahmen, in der Betrug im Vergleich zu legitimen Transaktionen extrem selten vorkommt und in der nur ein winziger Bruchteil der Fälle als bekannter Betrug gekennzeichnet ist.
Die Forscher nutzten diesen neuen Benchmark, um eine Vielzahl bestehender Erkennungsmodelle zu testen, die von einfachen statistischen Werkzeugen bis hin zu fortschrittlichen Systemen der künstlichen Intelligenz reichen, die darauf ausgelegt sind, Graphen zu lesen. Sie fanden heraus, dass Methoden, die die verschiedenen Arten von Entitäten ignorierten und alles als gleich behandelten, signifikant weniger effektiv waren. Die erfolgreichsten Modelle waren jene, die in der Lage waren, zwischen einem Kunden, einer Karte und einem Händler zu unterscheiden und zu verstehen, dass jeder eine unterschiedliche Rolle im Netzwerk spielt. Insbesondere Modelle, die für heterogene Graphen entwickelt wurden – also solche, welche die verschiedenen Arten von Knoten und die spezifischen Arten ihrer Verbindungen respektieren –, schnitten konsistent besser ab als ihre einfacheren Gegenstücke. Diese fortschrittlichen Modelle waren besser darin, riskante Transaktionen zu bewerten und Betrug zu identifizieren, selbst wenn die Daten stark unausgewogen waren, ein häufiges und schwieriges Szenario in realen Bankensystemen.
Die Studie legt nahe, dass der Schlüssel zum Aufspüren von Finanzbetrug in der Bewahrung der reichhaltigen, typisierten Struktur der Daten liegt, statt diese zu nivellieren. Wenn Forscher die komplexen Multi-Entitäts-Daten in ein einfacheres Format zwangen, verloren sie entscheidende Signale, die halfen, böswillige Akteure zu identieren. Die Ergebnisse deuten darauf hin, dass der vielversprechendste Weg nach vorne darin besteht, Systeme zu entwickeln, die gleichzeitig die verschiedenen Arten von Finanzentitäten und deren einzigartige Beziehungen verarbeiten können. Während einige spezialisierte Modelle, die darauf ausgelegt sind, spezifische Betrugsmuster aufzuspüren, konkurrenzfähig blieben, konnten sie im Allgemeinen nicht mit der Gesamtleistung der Modelle mithalten, die die Komplexität des heterogenen Graphen voll ausschöpften. Diese Arbeit bietet eine standardisierte Möglichkeit für die wissenschaftliche Gemeinschaft, zukünftige Werkzeuge zu evaluieren und sicherzustellen, dass neue Methoden gegen eine realistische Darstellung des Finanzökosystems und nicht gegen eine vereinfachte Version getestet werden.
Die Forscher konstruierten diese Datensätze aus öffentlichen Transaktionsdaten, indem sie Zeilen von Daten in ein Netzwerk umwandelten, in dem Transaktionen die zentralen Punkte sind, die mit den beteiligten Entitäten verbunden sind. Sie stellten sicher, dass keine Informationen aus der Zukunft in die Vergangenheit durchsickerten – eine häufige Falle in der Betrugserkennung –, indem sie die Daten strikt in Trainings-, Validierungs- und Testsets trennten. Die fertigen Datensätze enthielten über 1,8 Millionen Transaktionen für einen Datensatz und fast 9 Millionen für den anderen, mit Betrugsraten von nur 0,15 Prozent, was die extreme Seltenheit von Betrug im wirklichen Leben widerspiegelt. Durch das Testen eines breiten Spektrums an Algorithmen auf diesem Terrain konnten die Forscher zeigen, dass die Fähigkeit, die verschiedenen Arten von Verbindungen zu navigieren, nicht nur ein theoretischer Vorteil, sondern eine praktische Notwendigkeit für eine effektive Betrugserkennung ist. Die Ergebnisse weisen den Weg in eine Zukunft, in der Sicherheitssysteme im Finanzwesen auf einem tieferen Verständnis der vielfältigen Beziehungen basieren, die die digitale Wirtschaft definieren.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.