Temporal Graph Prototype-conditioned Conformal Prediction for Fraud Detection
本論文は、学習されたプロトタイプと時間的スコア拡散を活用することで、良性データが支配的な近傍やクラス不均衡に起因する較正の非効率性を克服し、それによって最先端のベースラインよりも大幅に小さい予測集合でターゲットとなる被覆率を達成する、時系列グラフ上のエッジレベルの不正検知のための共形予測フレームワークであるProtoCPを導入する。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
オンラインマーケットプレイスから銀行アプリに至るまで、デジタル世界において、詐欺は絶え間ない影のように存在しています。それは、単一の不審な行為が数百万の正当な取引の中に埋もれてしまうような、複雑な取引と相互作用の網の中に潜んでいます。これらの悪意ある行為者を捕まえるために、コンピュータシステムは人工知能を使用して、人間が見逃してしまう可能性のあるパターンを特定します。これらのシステムは、「この取引は安全か、それとも詐欺か？」という推測を行うのが得意です。しかし、お金と信頼がかかっている場面では、単なる推測だけでは不十分です。もしシステムが誤っているときに自信過剰すぎると、無実の人々をブロックしたり、泥棒を逃したりすることで、実害を及ぼす可能性があります。必要なのは、コンピュータが自身の不確実性を知り、その不確実性を形式的な保証とともに認める方法です。これは「コンフォーマル予測（conformal prediction）」と呼ばれる数学的ツールの約束です。単一の答えを出す代わりに、それは数学的に、ほとんどの場合で真実を含むことが保証された、可能性の小さなリストを提供します。それは、システムが実際に推測しているときに、決して確信を持っていると主張しないようにするための安全網のようなものです。
しかし、課題は、詐欺が巧妙であることです。詐欺はしばしば正常な行動の中に隠れており、群衆の中から区別することが困難です。さらに、詐欺は稀です。膨大な通常の取引の中に、わずかな不正が存在することは、干し草の山の中から針を見つけるようなものです。研究者が標準的な安全網をこの問題に適用しようとしたとき、その網は緩すぎることがわかりました。システムは使い物にならないほど大きな可能性のリストを生成するか、あるいは、稀な不正な例が一般的な善良な例によってかき消されてしまい、詐欺を捉え損ねてしまうのです。既存の手法は、取引ネットワーク内のすべての隣接関係を等しく重要であると扱っていましたが、詐欺においては、不審な取引が、実は偽装の一部である無実の取引に囲まれていることがあります。
これを解決するために、エモリー大学とイリノイ大学シカゴ校の研究チームは、「ProtoCP」と呼ばれる新しいアプローチを開発しました。彼らの目標は、詐欺が目の前で隠れており、かつ極めて稀である場合でも、有用なほどタイトであり、かつ信頼できるほど強力な安全網を構築することでした。彼らは、優れた判断を下すためには、コンピュータが適切なコンテキスト（文脈）を見る必要があることに気づきました。取引とその隣接関係を、乱雑で混ざり合った塊として見るのではなく、システムに、詐欺が通常どのように振る舞うかという特定の「パターン」やプロトタイプを認識するように教えたのです。例えば、特定の種類のデバイスを頻繁に使用したり、特定の口座グループと接続したりする詐欺師がいると想像してください。システムは、こうした繰り返されるパターンを特定することを学習します。
研究者たちは、まずこれらのパターンを特定し、次にそれらを用いてデータを整理する手法を構築しました。システムが取引を検査してそれが安全かどうかを判断するとき、周囲のネットワークを見渡します。しかし、近くにあるすべての取引を等しく聞き入れるのではなく、学習した詐欺のパターンに実際に似ている隣接関係に焦点を当て、通常の無害な活動によるノイズを排除するために、学習したパターンを使用します。これにより、状況のより鮮明な姿を作り出します。システムはこのよりクリアな視点を得た後、その取引がいかに奇妙であるかを測定するためのスコアを算出します。このスコアをさらに信頼性の高いものにするために、システムは取引を単一の数値と比較するのではなく、その直近の（フィルタリングされた）隣接関係とどのように異なるかを比較します。もしある取引が、不審な隣接関係と大きく異なっている場合、より高い警告スコアが付与されます。
最後に、研究者たちは結果を時間の経過とともに滑らかにするステップを追加しました。詐欺師は戦術を変えます。昨日詐欺に見えたものが、今日とは違って見えるかもしれません。新しい手法は情報を時間軸に沿って広げるため、データにおける突然の混乱したスパイク（急増）によってシステム全体がバランスを崩すことがありません。これにより、詐欺師が進化しても、システムは安定を保つことができます。チームが金融取引やオンラインレビューを含む4つの異なる現実世界のデータセットでこの新手法をテストしたところ、従来の手法よりも優れた成果を上げました。この手法は、安全網をタイトに保ち、人間がレビューしやすい小さな可能性のリストを生成しながら、約束通りの割合で詐欺を捉え続けることができました。実際、稀な詐欺ケースに対して、新手法は過度に慎重になりすぎることなく、それらを捉える上で非常に優れていました。一方で、古い手法は詐欺を見逃すか、あるいは実用的なレベルを超えて巨大なリストを作成してしまいました。
この研究は、システムの特定の詐欺の形状を認識させ、正常な行動のノイズを無視するように教えることで、人工知能をより信頼できるものにできることを示しています。研究者たちは、彼らのアプローチが、詐欺の極端な希少性と、悪意ある者の変化する性質をうまく処理したことを発見しました。これは、高い精度と明確で正直な不確実性の尺度を両立させることが可能であることを証明しています。これは、将来的にオンラインプラットフォームが、より高い確信を持って不審な活動をフラグ立てし、誠実な人々に不必要なトラブルを引き起こすことなくユーザーを保護できることを意味しています。この研究は、詐欺を捕まえるための鍵は、単に熱心に見ることではなく、正しいつながりをスマートに見ることにあることを示唆しています。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。