Temporal Graph Prototype-conditioned Conformal Prediction for Fraud Detection
Dit artikel introduceert ProtoCP, een conform voorspellingsframework voor fraude detectie op randniveau in temporele grafen dat geleerde prototypen en temporele score-diffusie benut om kalibratie-inefficiënties veroorzaakt door benigne-gedomineerde buurten en klasse-imbalans te overwinnen, waardoor de beoogde dekking wordt bereikt met aanzienlijk kleinere voorspellingssets dan de huidige state-of-the-art baselines.
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
In de digitale wereld, van online marktplaatsen tot bankapps, is fraude een constante schaduw. Het verbergt zich in het complexe web van transacties en interacties, waar een enkele verdachte handeling begraven kan liggen tussen miljoenen legitieme acties. Om deze kwaadwillenden te vangen, gebruiken computersystemen kunstmatige intelligentie om patronen te ontdekken die mensen misschien missen. Deze systemen zijn goed in het doen van een gok: is deze transactie veilig, of is het een scam? Maar een gok is niet genoeg wanneer er geld en vertrouwen op het spel staan. Als een systeem te zeker van zichzelf is wanneer het het mis heeft, kan het echte schade aanrichten door onschuldige mensen te blokkeren of dieven erdoorheen te laten glippen. Wat nodig is, is een manier voor de computer om te weten wanneer hij onzeker is, en om die onzekerheid toe te geven met een formele garantie. Dit is de belofte van een wiskundig hulpmiddel genaamd conformal prediction. In plaats van alleen één antwoord te geven, biedt het een kleine lijst met mogelijkheden die wiskundig gegarandeerd de waarheid meestal bevat. Het is als een vangnet dat ervoor zorgt dat het systeem nooit beweert zeker te zijn wanneer het eigenlijk aan het gokken is.
De uitdaging is echter dat fraude verraderlijk is. Het verbergt zich vaak binnen groepen normaal gedrag, waardoor het moeilijk is om het van de massa te onderscheiden. Bovendien is fraude zeldzaam. In een zee van normale transacties zijn een paar slechte acties als het zoeken naar een naald in een hooiberg. Wanneer onderzoekers probeerden standaard vangnetten toe te passen op dit probleem, kwamen ze erachter dat de netten te ruim waren. De systemen produceerden lijsten met mogelijkheden die zo groot waren dat ze nutteloos waren, of ze slaagden er niet in de fraude te vangen omdat de zeldzame slechte voorbeelden werden overstemd door de veelvoorkomende goede exemplaren. De bestaande methoden behandelden elke buur in een transactienetwerk als even belangrijk, maar bij fraude kan een verdachte transactie worden omringd door onschuldige transacties die eigenlijk deel uitmaken van een vermomming.
Om dit op te lossen, ontwikkelde een team onderzoekers van Emory University en de University of Illinois at Chicago een nieuwe aanpak genaamd ProtoCP. Hun doel was om een vangnet te bouwen dat zowel nauw genoeg is om nuttig te zijn als sterk genoeg om betrouwbaar te zijn, zelfs wanneer fraude in het volle zicht verborgen zit en extreem zeldzaam is. Ze realiseerden zich dat om een goed oordeel te vellen, de computer naar de juiste context moest kijken. In plaats van naar een transactie en zijn buren te kijken als een rommelige, gemengde hoop, leerden ze het systeem om specifieke "patronen" of prototypes te herkennen van hoe fraude gewoonlijk gedrag vertoont. Stel je een fraudeur voor die vaak een specifiek type apparaat gebruikt of contact maakt met een specifieke groep accounts; het systeem leert deze terugkerende patronen te herkennen.
De onderzoekers bouwden een methode die eerst deze patronen identificeert en ze vervolgens gebruikt om de gegevens op te schonen. Wanneer het systeem een transactie onderzoekt om te beslissen of deze veilig is, kijkt het naar het omliggende netwerk. Maar in plaats van naar elke nabijgelegen transactie evenveel te luisteren, gebruikt het de geleerde patronen om de ruis weg te filteren. Het concentreert zich op de buren die daadwerkelijk lijken op de geleerde fraudepatronen, en negeert de buren die gewoon normale, onschadelijke activiteit zijn. Dit creëert een duidelijker beeld van de situatie. Zodra het systeem dit schonere beeld heeft, berekent het een score om te meten hoe vreemd de transactie is. Om deze score nog betrouwbaarder te maken, vergelijkt het systeem de transactie niet alleen met een enkel getal, maar met hoe deze verschilt van de directe, gefilterde buren. Als een transactie erg afwijkt van zijn verdachte buren, krijgt het een hogere waarschuwingsscore.
Ten slotte voegden de onderzoekers een stap toe om de resultaten in de loop van de tijd te verzachten. Fraudeurs veranderen hun tactieken, en wat gisteren als fraude eruitzag, kan er vandaag anders uitzien. De nieuwe methode verspreidt de informatie over de tijd, zodat een plotselinge, verwarrende piek in de gegevens het hele systeem niet uit balans brengt. Dit stelt het systeem in staat om stabiel te blijven terwijl de fraudeurs evolueren. Toen het team deze nieuwe methode testte op vier verschillende real-world datasets, inclusief financiële transacties en online beoordelingen, werkte het beter dan welke eerdere methode ook. Het slaagde erin het vangnet strak te houden, waarbij kleine lijsten met mogelijkheden werden geproduceerd die gemakkelijk door mensen te beoordelen waren, terwijl het tegelijkertijd de fraude ving tegen de snelheid die ze beloofden. Sterker nog, voor de zeldzame fraudegevallen was de nieuwe methode veel beter in het vangen van de fraude zonder overdreven voorzichtig te zijn, terwijl oudere methoden ofwel de fraude misten of lijsten creëerden die zo groot waren dat ze onpraktisch waren.
De studie laat zien dat door het systeem te leren de specifieke vormen van fraude te herkennen en de ruis van normaal gedrag te negeren, we kunstmatige intelligentie veel betrouwbaarder kunnen maken. De onderzoekers ontdekten dat hun aanpak succesvol omging met de extreme zeldzaamheid van fraude en de veranderlijke aard van kwaadwillende actoren, wat bewijst dat het mogelijk is om zowel een hoge nauwkeurigheid als een duidelijke, eerlijke maatstaf van onzekerheid te hebben. Dit betekent dat online platforms in de toekomst deze tools kunnen gebruiken om verdachte activiteiten met grotere vertrouwen te signaleren, waardoor gebruikers worden beschermd zonder onnodige problemen te veroorzaken voor eerlijke mensen. Het werk suggereert dat de sleutel tot het vangen van fraude niet alleen is om harder te kijken, maar om slimmer te kijken naar de juiste verbindingen.
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.