A Hybrid Graph Neural Network Approach for Fraud Detection in Financial Transactions

Stel je de digitale wereld van geld voor als een enorme, bruisende stad waar elk persoon, elke bankrekening en elke creditcard een gebouw is, en elke keer dat iemand geld verzendt of ontvangt, er een nieuwe weg wordt aangelegd die hen verbindt. In deze stad zijn de meeste mensen eerlijke burgers die hun dagelijkse zaken afhandelen, maar een kleine, sluwe groep fraudeurs probeert banken te bestelen. Lange tijd probeerden beveiligingsbewakers (de oude computerprogramma's) deze dieven te vangen door naar individuele gebouwen te kijken of te controleren of een specifieke weg verdacht leek. Maar de dieven werden slimmer; ze begonnen in teams te werken, gebruikmakend van complexe netwerken van valse wegen en verborgen sluiproutes die een eenvoudige bewaker niet kon zien. Dit is waar een nieuw soort wetenschap genaamd "Graph Neural Networks" om de hoek komt kijken. In plaats van één gebouw tegelijk te bekijken, bekijken deze slimme systemen de hele stadskaart in één keer en begrijpen ze hoe de gebouwen met elkaar verbonden zijn. Ze kunnen een dief niet alleen spotten omdat hij er vreemd uitziet, maar ook omdat hij in een vreemde buurt rondhangt of een vreemd pad neemt dat geen enkele eerlijke persoon zou nemen. De grote vraag die wetenschappers stellen is: hoe bouwen we een beveiligingssysteem dat snel genoeg is om miljoenen transacties per seconde te bewaken, slim genoeg is om de hele stad te zien, en scherp genoeg is om de slimste dieven te vangen zonder eerlijke mensen te stoppen?

Dit is precies wat het artikel van Mohamed Amine Hechmi, "A Hybrid Graph Neural Network Approach for Fraud Detection in Financial Transactions," beoogt op te lossen. De auteur stelt een nieuw, superkrachtig beveiligingssysteem voor genaamd HybridWaveletGNN. Denk aan dit systeem als een detective-team dat verschillende superkrachten combineert in één squad. Ten eerste hebben ze een "buurtwacht" (Graph Convolutional Networks) die controleert wie je directe vrienden zijn. Ten tweede hebben ze een "slimme spotlight" (Graph Attention Networks) die kan inzoomen en kan zeggen: "Hé, deze specifieke vriend gedraagt zich verdacht, let daarop!" Hoewel het theoretische ontwerp van het artikel suggereert om een "afstandstelescoop" (Graph Transformers) toe te voegen om verbindingen over de hele stad te zien, richt de specifieke experimentele studie in dit onderzoek zich op het combineren van de buurtwacht met de slimme spotlight om een krachtig hybride model te creëren.

Maar hier komt het echt coole gedeelte: het team voegt ook een speciaal hulpmiddel toe genaamd Graph Wavelets. Stel je voor dat de stad lagen mist had, en de fraudeurs zich in de dikke mist verscholen terwijl de eerlijke mensen in de heldere lucht waren. Een normale camera zou in de mist in de war kunnen raken, maar een wavelet-hulpmiddel is als een speciale lens die de lagen kan afpellen, waarbij het de stad tegelijkertijd vanuit een breed perspectief bekijkt en nauw inzoomt. Dit helpt het systeem om zowel kleine, geïsoleerde trucjes als grote, gecoördineerde criminele bendes te ontdekken.

Het team test dit nieuwe detective-squad op een massale simulatie van mobiel geldverkeer genaamd PaySim, die meer dan 6.362.620 transacties bevat. In deze simulatie zijn de overgrote meerderheid van de transacties eerlijk, en slechts een enkel klein deel is fraude, wat het een zeer lastige test maakt. De onderzoekers bouwden hun model met een computer voorzien van een NVIDIA Tesla T4 GPU en draaiden het voor 50 rondes van training (epochs). Ze vergeleken hun nieuwe HybridWaveletGNN met een standaard "buurtwacht"-model (een basis Graph Attention Network).

De resultaten suggereren dat het nieuwe hybride team aanzienlijk beter is in zijn werk. In de simulatie ving het standaardmodel ongeveer 75,83% van de fraude (Recall) met een precisie van 0,8793, wat resulteerde in een F1-score van 0,8143. Het nieuwe HybridWaveletGNN-model verbeterde deze cijfers echter en ving 81,81% van de fraude met een precisie van 0,9189 en een F1-score van 0,8656. Het behaalde ook een hogere score op de "Area Under the Curve" (AUC), bereikend van 0,9656 vergeleken met de 0,9526 van het standaardmodel. Het artikel laat zien dat door deze verschillende manieren van naar de data te kijken te combineren, het nieuwe model beter is in het opsporen van de slechteriken terwijl het aantal valse alarmen laag blijft.

De auteur heeft het systeem ook zo ontworpen dat het "streaming" is, wat betekent dat het on the fly kan leren. Terwijl er nieuwe transacties plaatsvinden, werkt het model zijn geheugen direct bij zonder opnieuw te hoeven beginnen, wat cruciaal is voor real-world banking waar snelheid ertoe doet. Ze voegden ook een "Global Confidence Degree"-controle toe, die werkt als een intuïtie: als een transactie te veel afwijkt van het normale gedrag van de rest van de stad, markeert het systeem deze zelfs als de transactie op zichzelf niet verdacht lijkt.

Hoewel de resultaten in deze simulatie veelbelovend zijn, merkt het artikel op dat dit een stap is naar een oplossing in de echte wereld, en geen afgewerkt product. De auteur suggereert dat toekomstig werk nog meer lagen kan toevoegen, zoals het begrijpen van de exacte timing van transacties (temporele dynamiek) of het uitleggen van waarom het systeem een transactie heeft gemarkeerd, zodat banken het meer kunnen vertrouwen. Voor nu demonstreert het artikel dat het mengen van verschillende soorten grafische intelligentie met speciale wavelet-tools een robuustere en nauwkeurigere manier creëert om ons digitale geld te beschermen tegen de voortdurend veranderende trucs van fraudeurs.