Temporal Graph Prototype-conditioned Conformal Prediction for Fraud Detection
Dieses Paper führt ProtoCP ein, ein Framework für konforme Prädiktion zur Betrugserkennung auf Kantenebene in temporalen Graphen, das gelernte Prototypen und temporale Score-Diffusion nutzt, um Kalibrierungseffizienzmängel zu überwinden, die durch benign-dominierte Nachbarschaften und Klassenungleichgewicht verursacht werden, wodurch eine Zielabdeckung mit signifikant kleineren Prädiktionsmengen als bei State-of-the-Art-Baselines erreicht wird.
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 der digitalen Welt, von Online-Marktplätzen bis hin zu Banking-Apps, ist Betrug ein ständiger Schatten. Er verbirgt sich im komplexen Geflecht von Transaktionen und Interaktionen, wo eine einzige verdächtige Handlung unter Millionen legitimer Abläufe begraben sein kann. Um diese böswilligen Akteure zu fangen, nutzen Computersysteme künstliche Intelligenz, um Muster zu erkennen, die Menschen vielleicht übersehen würden. Diese Systeme sind gut darin, eine Vermutung anzustellen: Ist diese Transaktion sicher oder ist sie ein Betrug? Aber eine Vermutung reicht nicht aus, wenn Geld und Vertrauen auf dem Spiel stehen. Wenn ein System sich seiner Sache zu sicher ist, wenn es sich irrt, kann es echten Schaden anrichten, indem es unschuldige Menschen blockiert oder Dieben die Flucht ermöglicht. Was benötigt wird, ist eine Möglichkeit für den Computer, zu wissen, wann er unsicher ist, und diese Unsicherheit mit einer formalen Garantie zuzugeben. Dies ist das Versprechen eines mathematischen Werkzeugs namens Conformal Prediction (konforme Prädiktion). Anstatt nur eine einzige Antwort zu liefern, bietet es eine kleine Liste von Möglichkeiten an, die mathematisch garantiert die Wahrheit die meiste Zeit enthält. Es ist wie ein Sicherheitsnetz, das sicherstellt, dass das System niemals behauptet, sicher zu sein, wenn es eigentlich nur rät.
Die Herausforderung besteht jedoch darin, dass Betrug tückisch ist. Er verbirgt sich oft innerhalb von Gruppen normalen Verhaltens, was es schwierig macht, ihn von der Menge zu unterscheiden. Zudem ist Betrug selten. In einem Meer von normalen Transaktionen sind ein paar schlechte wie die Suche nach der Nadel im Heuhaufen. Als Forscher versuchten, Standard-Sicherheitsnetze auf dieses Problem anzuwenden, stellten sie fest, dass die Netze zu weit waren. Die Systeme erzeugten Listen von Möglichkeiten, die so groß waren, dass sie nutzlos waren, oder sie erfassten den Betrug gar nicht, weil die seltenen schlechten Beispiele von den häufigen guten überlagert wurden. Die bestehenden Methoden behandelten jeden Nachbarn in einem Transaktionsnetzwerk als gleich wichtig, aber bei Betrug könnte eine verdächtige Transaktion von unschuldigen Aktionen umgeben sein, die tatsächlich Teil einer Tarnung sind.
Um dies zu lösen, entwickelte ein Team von Forschern der Emory University und der University of Illinois at Chicago einen neuen Ansatz namens ProtoCP. Ihr Ziel war es, ein Sicherheitsnetz zu bauen, das sowohl eng genug ist, um nützlich zu sein, als auch stark genug, um zuverlässig zu sein, selbst wenn Betrug direkt vor Augen verborgen liegt und extrem selten ist. Sie erkannten, dass der Computer, um ein gutes Urteil zu fällen, den richtigen Kontext betrachten muss. Anstatt eine Transaktion und ihre Nachbarn als einen chaotischen, vermischten Haufen zu betrachten, brachten sie dem System bei, spezifische „Muster“ oder Prototypen davon zu erkennen, wie Betrug normalerweise abläuft. Stellen Sie sich einen Betrüger vor, der oft einen bestimmten Typ von Gerät verwendet oder mit einer bestimmten Gruppe von Konten in Verbindung tritt; das System lernt, solche wiederkehrenden Muster zu erkennen.
Die Forscher entwickelten eine Methode, die zuerst diese Muster identifiziert und sie dann nutzt, um die Daten zu bereinigen. Wenn das System eine Transaktion untersucht, um zu entscheiden, ob sie sicher ist, betrachtet es das umliegende Netzwerk. Aber anstatt jedem nahegelegenen Transaktionspartner gleichermaßen zuzuhören, nutzt es die gelernten Muster, um das Rauschen herauszufiltern. Es konzentriert sich auf die Nachbarn, die tatsächlich den gelernten Betrugsmustern ähneln, und ignoriert die Nachbarn, die nur normales, harmloses Verhalten darstellen. Dies schafft ein klareres Bild der Situation. Sobald das System diese reinere Sichtweise hat, berechnet es einen Score, um zu messen, wie seltsam die Transaktion aussieht. Um diesen Score noch zuverlässiger zu machen, vergleicht das System die Transaktion nicht nur mit einer einzelnen Zahl, sondern damit, wie sehr sie sich von ihren unmittelbaren, gefilterten Nachbarn unterscheidet. Wenn eine Transaktion sehr verschieden von ihren verdächtigen Nachbarn aussieht, erhält sie einen höheren Warnwert.
Schließlich fügten die Forscher einen Schritt hinzu, um die Ergebnisse über die Zeit zu glätten. Betrüger ändern ihre Taktiken, und was gestern wie Betrug aussah, mag heute anders aussehen. Die neue Methode verteilt die Informationen über die Zeit, sodass ein plötzlicher, verwirrender Anstieg in den Daten das gesamte System nicht aus dem Gleichgewicht bringt. Dies ermöglicht es dem System, stabil zu bleiben, während sich die Betrüger weiterentwickeln. Als das Team diese neue Methode auf vier verschiedenen realen Datensätzen testete, einschließlich Finanztransaktionen und Online-Bewertungen, funktionierte sie besser als jede bisherige Methode. Es gelang ihr, das Sicherheitsnetz eng zu halten, indem sie kleine Listen von Möglichkeiten produzierte, die für Menschen leicht zu überprüfen waren, während sie gleichzeitig den Betrug in der versprochenen Rate erfasste. Tatsächlich war die neue Methode bei den seltenen Betrugsfällen viel besser darin, den Betrug zu erfassen, ohne übervorsichtig zu sein, wohingegen ältere Methoden entweder den Betrug übersahen oder Listen erstellten, die so groß waren, dass sie unpraktikabel waren.
Die Studie zeigt, dass wir die künstliche Intelligenz viel vertrauenswürdiger machen können, indem wir das System lehren, die spezifischen Formen von Betrug zu erkennen und das Rauschen normalen Verhaltens zu ignorieren. Die Forscher fanden heraus, dass ihr Ansatz erfolgreich mit der extremen Seltenheit von Betrug und der wechselhaften Natur böswilliger Akteure umging und bewies, dass es möglich ist, sowohl hohe Genauigkeit als auch ein klares, ehrliches Maß an Unsicherheit zu besitzen. Das bedeutet, dass Online-Plattformen in Zukunft diese Werkzeuge nutzen könnten, um verdächtige Aktivitäten mit größerer Zuversicht zu melden und so Nutzer zu schützen, ohne unschuldigen Menschen unnötige Unannehmlichkeiten zu bereiten. Die Arbeit legt nahe, dass der Schlüssel zum Entdecken von Betrug nicht nur darin besteht, genauer hinzusehen, sondern intelligenter auf die richtigen Verbindungen zu schauen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.