A Comparative Study of CNN-LSTM and Graph Neural Networks for Credit Card Fraud Detection: A Cost-Aware, Explainable, and Deployment-Ready Framework
Diese Studie vergleicht CNN-LSTM- und Graph Neural Network-Modelle für die Erkennung von Kreditkartenbetrug auf dem Kaggle-Datensatz und stellt fest, dass das CNN-LSTM das GNN übertrifft, da Letzteres nicht in der Lage ist, anonymisierte relationale Merkmale zu nutzen, wobei die Ergebnisse die entscheidende Bedeutung von Schwellenwertoptimierung, dem Umgang mit Klassenunglewicht und der Modellauswahl für den praktischen Einsatz unterstreichen.
Originalarbeit lizenziert unter CC BY 4.0 (https://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
Im digitalen Zeitalter bewegt sich Geld mit Lichtgeschwindigkeit. Jedes Mal, wenn eine Kreditkarte durchgezogen oder kontaktlos bezahlt wird, entsteht ein komplexes Geflecht aus Daten, das aufzeichnet, wohin das Geld floss, wann es floss und wie viel ausgegeben wurde. Jahrzehntelang verließen sich Banken auf starre Regeln, um Diebe zu überführen: Wenn eine Transaktion innerhalb einer Stunde in zwei verschiedenen Ländern stattfand, wurde sie markiert. Doch als die Betrüger klüger wurden, begannen diese statischen Regeln zu versagen. Sie konnten die subtilen Verhaltensmuster nicht erkennen, die sich im Laufe der Zeit entfalten, noch konnten sie die verborgenen Verbindungen zwischen verschiedenen Menschen und Orten verstehen. Um Schritt zu halten, wandten sich Wissenschaftler der künstlichen Intelligenz zu, speziell dem Deep Learning – einem Bereich, in dem Computerprogramme lernen, Muster zu erkennen, indem sie riesige Mengen an Beispielen studieren. Zwei leistungsstarke Ansätze sind entstanden, um dieses Rätsel zu lösen. Ein Ansatz behandelt eine Serie von Transaktionen wie eine Geschichte und untersucht, wie sich die Ausgabengewohnheiten einer Person von einem Moment zum nächsten verändern. Der andere Ansatz betrachtet die Finanzwelt als eine Landkarte von Verbindungen und versucht, Gruppen von Menschen oder Geräten aufzusporen, die zusammenarbeiten, um zu stehlen.
Ein Team von Forschern setzte sich zum Ziel zu prüfen, welcher dieser beiden Methoden besser funktioniert, wenn die Daten von ihren offensichtlichsten Hinweisen befreit werden. Sie konzentrierten sich auf einen weit verbreiteten Datensatz von Kreditkartendaten, der zum Schutz der Privatsphäre verschlüsselt wurde. In diesem Datensatz sind die Namen der Karteninhaber und Händler verborgen und durch generische Codes ersetzt worden. Die Forscher entwickelten zwei verschiedene Arten von Systemen der künstlichen Intelligenz, um innerhalb dieser verschlüsselten Informationen nach Betrug zu suchen. Das erste System war ein Hybridmodell, das zwei Techniken kombinierte: Ein Teil suchte nach lokalen Mustern in den Zahlen, während der andere Teil die Abfolge der Ereignisse im Gedächtnis behielt und effektiv die Geschichte der Ausgabengewohnheiten eines Karteninhabers über die Zeit hinweg „las“. Das zweite System wurde entwickelt, um Beziehungen zu finden, indem es jede Karte und jeden Händler als Punkt auf einer Landkarte betrachtete und Linien zwischen ihnen zog, um zu sehen, ob sie verdächtige Cluster bildeten.
Die Ergebnisse waren eindeutig und klar. Das System, das darauf ausgelegt war, die Geschichte der Ausgabengewohnheiten zu lesen, erwies sich als äußerst effektiv. Durch eine sorgfältige Anpassung seiner Sensibilität, um Fehlalarme zu vermeiden, identifizierte es erfolgreich etwa 72 Prozent der betrügerischen Transaktionen und hielt gleichzeitig die Zahl der fälschlicherweise beschuldigten unschuldigen Menschen sehr gering. Es erreichte eine hohe Genauigkeit und klassifizierte fast 99,9 Prozent aller Transaktionen korrekt, wenn der Schwellenwert für den Verdacht genau richtig eingestellt war. Das System lernte, die subtilen Verschiebungen im Ausgabeverhalten zu erkennen, die oft einem Diebstahl vorausgehen, selbst ohne zu wissen, wer die beteiligten Personen waren.
Im Gegensatz dazu hatte das System, das darauf ausgelegt war, Verbindungen auf einer Landkarte zu finden, Schwierigkeiten, überhaupt ein Signal zu finden. Da die Daten anonymisiert waren, mussten die Forscher eine künstliche Landkarte erfinden und raten, welche Transaktionen basierend auf willkürlichen Gruppierungen miteinander verwandt sein könnten. Ohne reale Verbindungen wie gemeinsam genutzte Geräte oder bekannte Geschäftsbeziehungen hatte das System nichts, womit es arbeiten konnte. Es scheiterte daran, zwischen ehrlichen Käufern und Dieben zu unterscheiden, wobei es oft davon ausging, dass fast jede Transaktion betrügerisch sei, oder den Betrug gänzlich übersah. Seine Leistung war so schlecht, dass es in diesem speziellen Szenario keinen praktischen Nutzen für das Ergreifen von Dieben bot. Die Studie zeigte, dass die Idee des Abbildens von Verbindungen zwar kraftvoll ist, aber echte, unverborgene Beziehungen erfordert, um zu funktionieren. Wenn die Daten verschlüsselt sind, ist ein System, das sich auf die Abfolge der Ereignisse und die Details der Transaktion selbst konzentriert, weit überlegen.
Die Forscher hoben auch eine entscheidende Lektion darüber hervor, wie wir Erfolg in diesem Bereich messen. Ein einfaches Maß für die Gesamtgenauigkeit kann irreführend sein, wenn Betrug, wie es in der realen Welt der Fall ist, selten vorkommt. Ein System, das einfach bei jeder einzelnen Transaktion „kein Betrug“ rät, wäre in mehr als 99 Prozent der Fälle korrekt, würde aber null Diebe fangen. Das Team zeigte, dass durch die Betrachtung spezifischerer Leistungsmaße, wie etwa dem Gleichgewicht zwischen dem Ergreifen von Betrügern und der Vermeidung von Fehlalarmen, die wahren Fähigkeiten der Modelle sichtbar wurden. Sie fanden heraus, dass das „Geschichten-lesende“ Modell fein abgestimmt werden konnte, um den Bedürfnissen einer Bank gerecht zu werden, was es ihnen ermöglicht, selbst zu entscheiden, wie viele Fehlalarme sie bereit sind zu tolerieren, um im Gegenzug mehr Diebe zu fangen.
Diese Arbeit legt nahe, dass es für die gängigen, verschlüsselten Datensätze, die viele Banken heute verwenden, am besten ist, sich auf den Zeitstrahl der Aktivitäten eines Nutzers zu konzentrieren, anstatt zu versuchen, eine Verbindungskarte auf die Daten zu erzwingen. Das Hybridmodell erwies sich nicht nur als genauer, sondern auch als schneller, was es für Echtzeitentscheidungen geeignet macht, bei denen eine Transaktion in einem Bruchteil einer Sekunde genehmigt oder abgelehnt werden muss. Die Studie kommt zu dem Schluss, dass die Wahl des Werkzeugs vollständig von den verfügbaren Daten abhängt. Wenn eine Bank Zugang zu reichhaltigen, unverborgenen Informationen darüber hat, wie Menschen und Geräte miteinander verknüpft sind, könnte der Ansatz der Verbindungskartierung eines Tages glänzen. Aber für den Moment ist die Fähigkeit, die Geschichte einer Transaktionssequenz zu lesen, in der Welt der anonymisierten Daten der zuverlässigste Weg, um Finanzsysteme sicher zu halten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.