Empowering Credit Risk Detection in Weixin Pay with Billion-Scale Deep Graph Learning
Dit artikel stelt een risicobewust overlappend subgraaf-leersysteem voor dat de belastingverdeling balanceert met het behoud van kritieke long-tail risicopatronen door middel van budgetbeperkte bemonstering en cross-subgraaf consistentie-uitlijning, wat de miljardenschaal kredietrisicodetectie voor Weixin Pay aanzienlijk verbetert.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je het internet voor als een enorme, bruisende stad waar iedereen met elkaar verbonden is. In deze stad laat iedere persoon een spoor van digitale voetstappen achter: wat ze kopen, met wie ze praten en waar ze naartoe gaan. Meestal vertellen deze voetstappen een normaal verhaal. Maar soms proberen een paar mensen er stiekem in te sluipen om geld te stelen of het systeem te misleilen. Dit wordt "kredietfraude" genoemd, en het is als een spelletje verstoppertje waarbij de slechteriken erg goed zijn in verstoppen. Om hen te vangen, keken banken en betaalapps vroeger alleen naar de voetstappen van een persoon zelf. Maar de slechteriken zijn slim; ze werken vaak in groepen of verstoppen zich in de schaduwen van de levens van anderen. Om hen te vangen, begonnen wetenschappers een speciaal soort kaart te gebruiken die een "graaf" wordt genoemd. Denk bij een graaf niet aan een grafiek, maar aan een enorm web van draden die mensen met gebeurtenissen verbinden. Als je aan één draad trekt, trilt het hele web, waardoor verborgen patronen zichtbaar worden. Dit is de kracht van "Graph Neural Networks" (GNN's)—ze zijn als superintelligente detectives die kunnen zien hoe de verbindingen van een persoon kunnen onthullen of diegene iets van plan is.
Er is echter een groot probleem met deze kaarten. In de echte wereld, zoals bij Weixin Pay, is de kaart zo groot dat deze miljarden mensen en verbindingen bevat. Het is te zwaar voor een enkele computer om vast te houden, alsof je probeert de hele oceaan in een theekopje te dragen. Daarom moesten ingenieurs de kaart in kleinere stukken snijden om het werk te verdelen over veel computers. Maar hier is de crux: wanneer je een kaart in stukken snijdt, snijd je vaak ook de zeer belangrijke draden door die de slechteriken met de aanwijzingen verbinden. Het is alsof je een mysterie probeert op te lossen door slechts naar de helft van de plaats delict te kijken; je zou de belangrijkste bewijzen kunnen missen. Dit artikel introduceert een nieuwe manier om de kaart te snijden die de belangrijke draden intact houdt zonder de stukken te zwaar te maken om te dragen.
De onderzoekers, die samenwerkten met Tencent's Weixin Pay, ontwikkelden een slim systeem genaamd RAOS (Risk-Aware Overlapping Subgraph Learning). Stel je voor dat je een enorme pizza snijdt om te delen met een groep vrienden. De oude methode was om de pizza perfect in stukken te snijden zodat geen twee vrienden hetzelfde stuk kregen. Maar als een "slechte topping" (een fraudeur) precies op de rand van een stuk zat, kon de persoon die dat stuk vasthield het missen omdat de topping technisch gezien op het stuk van de buurman lag. De nieuwe methode, RAOS, is als het snijden van de pizza met een beetje overlap. Je geeft elke vriend een stuk, maar je laat hen ook een klein stukje van het stuk van hun buurman vasthouden. Op deze manier, als een slechte topping op de rand zit, krijgt iedereen die er vlakbij is de kans om het te zien.
Maar er is een risico: als je iedereen te veel van het stuk van de buurman geeft, eindig je met veel extra kaas en korst die niet helpen (dit wordt "ruis" en "redundantie" genoemd). Het team loste dit op door heel kieskeurig te zijn over welke extra stukjes ze toevoegden. Ze richtten zich op de "long-tail" verbindingen—dit zijn de stille, minder populaire verbindingen die vaak de geheime aanwijzingen naar verborgen fraude bevatten. Ze gebruikten een speciale filter (gebaseerd op iets dat de "h-index" wordt genoemd) om deze belangrijke maar over het hoofd geziene stukjes te vinden en deze aan de stukken toe te voegen, terwijl ze de luidruchtige, onbelangrijke delen negeerden.
Bovendien kan de computer in de war raken omdat dezelfde persoon op twee verschillende stukken kan voorkomen, waardoor de computer denkt dat het twee verschillende mensen met verschillende verhalen zijn. Om dit op te lossen, voegde het team een stap voor "consistentie-uitlijning" toe. Het is als een teamvergadering waarbij alle vrienden hun aantekeningen over de persoon die op beide stukken voorkomt vergelijken, om er zeker van te zijn dat ze het allemaal eens zijn over wie die persoon echt is. Dit zorgt ervoor dat het uiteindelijke beeld helder en nauwkeurig is.
Toen ze dit nieuwe systeem testten op echte gegevens van Weixin Pay, die honderden miljoenen gebruikers omvatten, waren de resultaten indrukwekkend. De nieuwe methode was veel beter in het opsporen van fraudeurs dan de oude manieren van het snijden van de kaart. Het was niet alleen beter in het vangen van de overduidelijke slechteriken; het was ook veel beter in het voorspellen van wie in de toekomst een fraudeur zou kunnen worden (een "forward risk" voorspelling). Sterker nog, het verbeterde het vermogen om risicovolle gebruikers te vangen met meer dan 10% vergeleken met de standaardmethode die de kaart simpelweg snijdt zonder overlap. Wat nog verrassender was, is dat hun nieuwe methode zelfs beter was in het vinden van fraude dan het proberen te bekijken van de volledige kaart in één keer, omdat de oude "volledige kaart"-benadering in de war raakte door te veel ruis.
In de echte wereld betekent dit minder mensen die geld verliezen aan oplichting en een veiliger financieel systeem voor iedereen. Het team heeft dit systeem ingezet in een live-test met echte gebruikers, en het heeft succesvol meer risicovolle gebruikers geïdentificeerd en meer financieel verlies voorkomen dan de vorige systemen. Door de stukken van de puzzel zorgvuldig te laten overlappen en er voor te zorgen dat iedereen het eens is over het plaatje, zijn ze erin geslaagd een probleem op te lossen dat voorheen te groot en te complex was voor computers om alleen aan te kunnen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.