Temporal Graph Prototype-conditioned Conformal Prediction for Fraud Detection
Cet article introduit ProtoCP, un cadre de prédiction conforme pour la détection de fraude au niveau des arêtes sur des graphes temporels qui exploite des prototypes appris et une diffusion de scores temporels pour surmonter les inefficacités de calibration causées par des voisinages dominés par des éléments bénins et le déséquilibre des classes, atteignant ainsi une couverture cible avec des ensembles de prédiction nettement plus petits que les bases de référence de l'état de l'art.
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
Dans le monde numérique, des places de marché en ligne aux applications bancaires, la fraude est une ombre constante. Elle se cache dans le réseau complexe des transactions et des interactions, là où un acte suspect peut être enfoui parmi des millions d'actes légitimes. Pour attraper ces acteurs malveillants, les systèmes informatiques utilisent l'intelligence artificielle afin de repérer des modèles que les humains pourraient manquer. Ces systèmes sont doués pour émettre une supposition : cette transaction est-elle sûre ou s'agit-il d'une escroquerie ? Mais une supposition ne suffit pas lorsque l'argent et la confiance sont en jeu. Si un système est trop sûr de lui lorsqu'il se trompe, il peut causer de réels préjudices en bloquant des innocents ou en laissant des voleurs s'échapper. Ce dont on a besoin, c'est d'un moyen pour l'ordinateur de savoir quand il est incertain, et d'admettre cette incertitude avec une garantie formelle. C'est la promesse d'un outil mathématique appelé la prédiction conforme. Au lieu de donner simplement une réponse unique, elle offre une petite liste de possibilités qui contient mathématiquement la vérité la plupart du temps. C'est comme un filet de sécurité qui garantit que le système ne prétendra jamais être certain lorsqu'il n'est en réalité qu'en train de deviner.
Le défi, cependant, est que la fraude est sournoise. Elle se cache souvent à l'intérieur de groupes de comportements normaux, ce qui la rend difficile à distinguer de la foule. De plus, la fraude est rare. Dans une mer de transactions normales, quelques cas malveillants sont comme chercher une aiguille dans une botte de foin. Lorsque les chercheurs ont tenté d'appliquer les filets de sécurité standards à ce problème, ils ont constaté que les filets étaient trop lâches. Les systèmes produisaient des listes de possibilités si larges qu'elles étaient inutiles, ou ils ne parvenaient pas à détecter la fraude parce que les rares exemples malveillants étaient noyés par les exemples sains très communs. Les méthodes existantes traitaient chaque voisin dans un réseau de transactions comme étant d'égale importance, mais dans le cas de la fraude, une transaction suspecte peut être entourée de transactions innocentes qui font en réalité partie d'un déguisement.
Pour résoudre cela, une équipe de chercheurs de l'Université Emory et de l'Université de l'Illinois à Chicago a développé une nouvelle approche appelée ProtoCP. Leur objectif était de construire un filet de sécurité qui soit à la fois assez serré pour être utile et assez robuste pour être fiable, même lorsque la fraude se cache à la vue de tous et qu'elle est extrêmement rare. Ils ont réalisé que pour porter un bon jugement, l'ordinateur devait observer le bon contexte. Au lieu de regarder une transaction et ses voisins comme un tas désordonné et mélangé, ils ont appris au système à reconnaître des « modèles » spécifiques ou des prototypes de la manière dont la fraude se comporte habituellement. Imaginez un fraudeur qui utilise souvent un type spécifique d'appareil ou se connecte à un groupe spécifique de comptes ; le système apprend à repérer ces modèles récurrents.
Les chercheurs ont construit une méthode qui identifie d'abord ces modèles, puis les utilise pour nettoyer les données. Lorsque le système examine une transaction pour décider si elle est sûre, il observe le réseau environnant. Mais au lieu d'écouter chaque transaction proche de manière égale, il utilise les modèles appris pour filtrer le bruit. Il se concentre sur les voisins qui ressemblent réellement aux modèles de fraude qu'il a appris, et ignore les voisins qui ne sont que des activités normales et inoffensives. Cela crée une image plus claire de la situation. Une fois que le système possède cette vue plus nette, il calcule un score pour mesurer à quel point la transaction semble étrange. Pour rendre ce score encore plus fiable, le système compare la transaction non pas à un simple chiffre, mais à la façon dont elle diffère de ses voisins immédiats et filtrés. Si une transaction semble très différente de ses voisins suspects, elle reçoit un score d'alerte plus élevé.
Enfin, les chercheurs ont ajouté une étape pour lisser les résultats au fil du temps. Les fraudeurs changent de tactiques, et ce qui ressemblait à de la fraude hier pourrait paraître différent aujourd'hui. La nouvelle méthode répartit l'information à travers le temps, de sorte qu'un pic soudain et confus dans les données ne déstabilise pas tout le système. Cela permet au système de rester stable même lorsque les fraudeurs évoluent. Lorsque l'équipe a testé cette nouvelle méthode sur quatre ensembles de données du monde réel différents, incluant des transactions financières et des avis en ligne, elle a fonctionné mieux que toute méthode précédente. Elle a réussi à maintenir le filet de sécurité serré, produisant de petites listes de possibilités faciles à examiner pour les humains, tout en capturant la fraude au taux promis. En fait, pour les cas de fraude rares, la nouvelle méthode était bien meilleure pour les détecter sans être excessivement prudente, alors que les anciennes méthodes soit manquaient la fraude, soit créaient des listes si longues qu'elles devenaient impraticables.
L'étude montre qu'en apprenant au système à reconnaître les formes spécifiques de la fraude et à ignorer le bruit des comportements normaux, nous pouvons rendre l'intelligence artificielle beaucoup plus digne de confiance. Les chercheurs ont découvert que leur approche gérait avec succès l'extrême rareté de la fraude et la nature changeante des acteurs malveillants, prouvant qu'il est possible d'avoir à la fois une grande précision et une mesure claire et honnête de l'incertitude. Cela signifie qu'à l'avenir, les plateformes en ligne pourraient utiliser ces outils pour signaler les activités suspectes avec une plus grande confiance, protégeant ainsi les utilisateurs sans causer de désagréments inutiles aux personnes honnêtes. Le travail suggère que la clé pour attraper la fraude n'est pas seulement de regarder plus attentivement, mais de regarder plus intelligemment les bonnes connexions.
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.