Empowering Credit Risk Detection in Weixin Pay with Billion-Scale Deep Graph Learning
Cet article propose un cadre d'apprentissage de sous-graphes chevauchants sensible au risque qui équilibre la répartition de la charge avec la préservation des modèles de risques critiques de longue traîne grâce à un échantillonnage sous contrainte budgétaire et un alignement de cohérence inter-sous-graphes, améliorant de manière significative la détection du risque de crédit à l'échelle du milliard pour Weixin Pay.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez l'internet comme une ville géante et bouillonnante où tout le monde est connecté. Dans cette ville, chaque personne laisse derrière elle une trace d'empreintes numériques : ce qu'elle achète, avec qui elle discute et où elle se rend. La plupart du temps, ces empreintes racontent une histoire normale. Mais parfois, quelques personnes tentent de s'introduire furtiveement pour voler de l'argent ou tromper le système. C'est ce qu'on appelle la « fraude au crédit », et c'est comme un jeu de cache-cache où les méchants sont très doués pour se cacher. Pour les attraper, les banques et les applications de paiement examuraient autrefois les empreintes d'une personne seule. Mais les méchants sont malins ; ils travaillent souvent en groupes ou se cachent dans l'ombre de la vie des autres. Ainsi, des scientifiques ont commencé à utiliser un type spécial de carte appelé un « graphe ». Ne voyez pas un graphe comme un graphique, mais comme une immense toile de fils reliant les gens aux événements. Si vous tirez sur un fil, toute la toile frétille, révélant des motifs cachés. C'est la puissance des « Réseaux de Neurones sur Graphes » (GNN) — ils sont comme des détectives super intelligents capables de voir comment les connexions d'une personne pourraient révéler si elle est en train de préparer un mauvais coup.
Cependant, il y a un énorme problème avec ces cartes. Dans le monde réel, comme sur Weixin Pay, la carte est si grande qu'elle compte des milliards de personnes et de connexions. Elle est trop lourde pour qu'un seul ordinateur puisse la contenir, comme si l'on essayait de porter l'océan entier dans une tasse de thé. Les ingénieurs ont donc dû découper la carte en morceaux plus petits pour partager le travail entre plusieurs ordinateurs. Mais voici le piège : quand on découpe une carte en morceaux, on coupe souvent les fils mêmes qui relient les méchants aux indices. C'est comme essayer de résoudre un mystère en ne regardant que la moitié d'une scène de crime ; on pourrait manquer l'indice le plus important. Ce document présente une nouvelle façon de découper la carte qui permet de garder les fils importants intacts sans rendre les morceaux trop lourds à porter.
Les chercheurs, travaillant avec Weixin Pay de Tencent, ont développé un système ingénieux appelé RAOS (Apprentissage de Sous-graphes à Chevauchement Sensible au Risque). Imaginez que vous coupez une pizza géante pour la partager avec un groupe d'amis. L'ancienne méthode consistait à couper la pizza parfaitement pour qu'aucun ami ne reçoive la même part. Mais si une « garniture malveillante » (un fraudeur) se trouvait juste sur le bord d'une part, la personne tenant cette part pourrait la manquer parce que la garniture était techniquement sur la part du voisin. La nouvelle méthode, RAOS, revient à couper la pizza avec un petit chevauchement. Vous donnez une part à chaque ami, mais vous leur permettez aussi de tenir un petit morceau de la part de leur voisin. De cette façon, si une garniture malveillante est sur le bord, tous ceux qui sont proches d'elle ont une chance de la voir.
Mais il y a un risque : si vous donnez trop de la part du voisin à chacun, vous vous retrouvez avec beaucoup de fromage et de croûte supplémentaires qui ne servent à rien (ceci est appelé « bruit » et « redondance »). L'équipe a résolu cela en étant très sélective sur quels morceaux supplémentaires ajouter. Ils se sont concentrés sur les connexions de la « longue traîne » — ce sont ces connexions calmes, moins populaires, qui détiennent souvent les indices secrets des fraudes cachées. Ils ont utilisé un filtre spécial (basé sur ce qu'on appelle l'« indice h ») pour trouver ces pièces importantes mais négligées et les ont ajoutées aux parts, tout en ignorant les parties bruyantes et non importantes.
De plus, comme la même personne peut apparaître sur deux parts différentes, l'ordinateur pourrait s'embrouiller et penser qu'il s'agit de deux personnes différentes avec des histoires différentes. Pour corriger cela, l'équipe a ajouté une étape d'« alignement de cohérence ». C'est comme avoir une réunion d'équipe où tous les amis comparent leurs notes sur la personne qui apparaît sur les deux parts afin de s'assurer qu'ils sont tous d'accord sur l'identité réelle de cette personne. Cela garantit que l'image finale est claire et précise.
Lorsqu'ils ont testé ce nouveau système sur des données réelles de Weixin Pay, qui impliquent des centaines de millions d'utilisateurs, les résultats ont été impressionnants. La nouvelle méthode était bien meilleure pour repérer les fraudeurs que les anciennes façons de découper la carte. Elle ne se contentait pas d'attraper les méchants évidents ; elle était également bien meilleure pour prédire qui pourrait devenir un fraudeur à l'avenir (une prédiction de « risque futur »). En fait, elle a amélioré la capacité à détecter les utilisateurs à risque de plus de 10 % par rapport à la méthode standard qui se contente de découper la carte sans chevauchement. Plus étonnant encore, leur nouvelle méthode était en réalité plus efficace pour trouver la fraude que de tenter de regarder la carte entière d'un seul coup, car l'ancienne approche de la « carte entière » était perturbée par trop de bruit.
Dans le monde réel, cela signifie moins de personnes perdant de l'argent à cause d'arnaques et un système financier plus sûr pour tout le monde. L'équipe a mis ce système en œuvre lors d'un test en direct avec de vrais utilisateurs, et il a réussi à identifier plus d'utilisateurs risqués et à prévenir plus de pertes financières que les systèmes précédents. En faisant chevaucher soigneusement les pièces du puzzle et en s'assurant que tout le monde est d'accord sur l'image, ils ont réussi à résoudre un problème qui était auparavant trop vaste et trop complexe pour être géré par des ordinateurs seuls.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.