Temporal Graph Prototype-conditioned Conformal Prediction for Fraud Detection
Questo articolo introduce ProtoCP, un framework di predizione conforme per il rilevamento delle frodi a livello di edge su grafi temporali che sfrutta prototipi appresi e la diffusione del punteggio temporale per superare le inefficienze di calibrazione causate da vicinati dominati da eventi benigni e dal disequilibrio delle classi, ottenendo così la copertura target con set di predizione significativamente più piccoli rispetto ai baseline allo stato dell'arte.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nel mondo digitale, dai mercati online alle app bancarie, la frode è un'ombra costante. Si nasconde nella complessa rete di transazioni e interazioni, dove un singolo atto sospetto può essere sepolto tra milioni di attività legittime. Per catturare questi malintenzionati, i sistemi informatici utilizzano l'intelligenza artificiale per individuare schemi che gli esseri umani potrebbero non vedere. Questi sistemi sono bravi nel fare una supposizione: questa transazione è sicura o è una truffa? Ma una supposizione non è sufficiente quando in gioco ci sono denaro e fiducia. Se un sistema è troppo sicuro di sé quando sbaglia, può causare danni reali bloccando persone innocenti o lasciando che i ladri scappino via. Ciò di cui si ha bisogno è un modo affinché il computer sappia quando non è sicuro e possa ammettere la propria incertezza con una garanzia formale. Questo è il compito di uno strumento matematico chiamato previsione conforme (conformal prediction). Invece di fornire solo una singola risposta, offre un piccolo elenco di possibilità che contiene matematicamente la verità la maggior parte delle volte. È come una rete di sicurezza che assicura che il sistema non dichiari mai di essere certo quando in realtà sta solo tirando a indovinare.
La sfida, tuttavia, è che la frode è subdola. Spesso si nasconde all'interno di gruppi di comportamenti normali, rendendo difficile distinguerla dalla massa. Inoltre, la frode è rara. In un mare di transazioni normali, poche attività illecite sono come trovare un ago in un pagliaio. Quando i ricercatori hanno cercato di applicare le normali reti di sicurezza a questo problema, hanno scoperto che le reti erano troppo larghe. I sistemi producevano elenchi di possibilità così grandi da essere inutili, oppure non riuscivano a catturare la frode perché i rari esempi negativi venivano sommersi da quelli comuni e positivi. I metodi esistenti trattavano ogni vicino in una rete di transazioni come ugualmente importante, ma nella frode, una transazione sospetta potrebbe essere circondata da transazioni innocenti che sono in realtà parte di un travestimento.
Per risolvere questo problema, un team di ricercatori della Emory University e della University of Illinois at Chicago ha sviluppato un nuovo approccio chiamato ProtoCP. Il loro obiettivo era costruire una rete di sicurezza che fosse abbastanza stretta da essere utile e abbastanza forte da essere affidabile, anche quando la frode si nasconde in piena vista ed è estremamente rara. Si sono resi conto che, per emettere un buon giudizio, il computer doveva osservare il contesto giusto. Inve invece di guardare una transazione e i suoi vicini come un ammasso disordinato e confuso, hanno insegnato al sistema a riconoscere "schemi" specifici o prototipi di come la frode si comporta solitamente. Immaginate un frodatore che usa spesso un tipo specifico di dispositivo o si connette con un gruppo specifico di account; il sistema impara a individuare questi schemi ricorrenti.
I ricercatori hanno costruito un metodo che prima identifica questi schemi e poi li utilizza per pulire i dati. Quando il sistema esamina una transazione per decidere se è sicura, osserva la rete circostante. Ma invece di ascoltare ogni singola transazione vicina allo stesso modo, utilizza i modelli appresi per filtrare il rumore. Si concentra sui vicini che effettivamente somigliano ai modelli di frode appresi e ignora i vicini che sono solo attività normale e innocua. Questo crea un quadro più chiaro della situazione. Una volta ottenuto questo quadro più pulito, il sistema calcola un punteggio per misurare quanto la transazione sembri strana. Per rendere questo punteggio ancora più affidabile, il sistema confronta la transazione non solo con un singolo numero, ma con quanto essa differisca dai suoi vicini immediati e filtrati. Se una transazione appare molto diversa dai suoi vicini sospetti, riceve un punteggio di avviso più alto.
Infine, i ricercatori hanno aggiunto un passaggio per smussare i risultati nel tempo. I frodatori cambiano tattiche, e ciò che sembrava una frode ieri potrebbe apparire diverso oggi. Il nuovo metodo distribuisce le informazioni nel tempo, in modo che un improvviso e confuso picco nei dati non sbilanci l'intero sistema. Ciò consente al sistema di rimanere stabile anche mentre i frodatori si evolvono. Quando il team ha testato questo nuovo metodo su quattro diversi dataset del mondo reale, inclusi transazioni finanziarie e recensioni online, ha funzionato meglio di qualsiasi metodo precedente. È riuscito a mantenere la rete di sicurezza stretta, producendo piccoli elenchi di possibilità facili da revisionare per gli esseri umani, pur catturando la frode al ritmo promesso. In effetti, per i casi di frode rara, il nuovo metodo è stato molto più efficace nel catturare la frode senza essere eccessivamente cauto, mentre i vecchi metodi o mancavano la frode o creavano elenchi così grandi da risultare impraticabili.
Lo studio dimostra che, insegnando al sistema a riconoscere le forme specifiche della frode e a ignorare il rumore del comportamento normale, possiamo rendere l'intelligenza artificiale molto più affidabile. I ricercatori hanno scoperto che il loro approccio gestiva con successo l'estrema rarità della frode e la natura mutevole degli attori malevoli, dimostrando che è possibile avere sia un'alta precisione che una misura chiara e onesta dell'incertezza. Ciò significa che in futuro, le piattaforme online potrebbero utilizzare questi strumenti per segnalare attività sospette con maggiore fiducia, proteggendo gli utenti senza causare problemi non necessari alle persone oneste. Il lavoro suggerisce che la chiave per catturare la frode non è solo guardare con più attenzione, ma guardare in modo più intelligente le giuste connessioni.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.