Temporal Graph Prototype-conditioned Conformal Prediction for Fraud Detection
本文介绍了 ProtoCP，这是一个针对时序图上边级欺诈检测的符合预测框架，它利用学习到的原型和时序得分扩散，克服了由良性主导的邻域和类别不平衡导致的校准低效问题，从而在实现目标覆盖率的同时，获得了比最先进基准模型显著更小的预测集。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在数字世界中，从在线市场到银行应用，欺诈如影随形。它隐藏在复杂的交易与交互网络之中，在那里，一次可疑的行为可能被埋没在数百万次合法的交易之中。为了捕捉这些不良行为者，计算机系统使用人工智能来识别人类可能会错过的模式。这些系统擅长做出一种猜测：这笔交易是安全的，还是一个骗局？但当金钱和信任面临风险时，仅仅靠猜测是不够的。如果一个系统在错误时表现得过于自信，它可能会通过拦截无辜的人或让窃贼溜走而造成真实的伤害。我们需要的是一种让计算机知道自己何时不确定，并能以正式保证来承认这种不确定性的方法。这就是一种被称为“符合性预测”（conformal prediction）的数学工具所承诺的。它不只是给出一个单一答案，而是提供一个包含真相的小型可能性列表，并在数学上保证在大多数情况下包含真相。它就像一个安全网，确保系统在实际是在进行猜测时，绝不会声称自己很确定。
然而，挑战在于欺诈是非常狡猾的。它经常隐藏在正常行为的群体之中，使其难以从人群中分辨出来。此外，欺诈是罕见的。在大量的正常交易中，少数坏交易就像大海捞针。当研究人员尝试将标准的“安全网”应用于这个问题时，他们发现这些网太松了。系统生成的可能性列表要么大到毫无用处，要么因为稀有的坏例子被常见的好的例子淹没而无法捕捉到欺诈。现有的方法将交易网络中的每个邻居都视为同等重要，但在欺诈行为中，一笔可疑的交易周围可能环绕着实际上是伪装的无辜交易。
为了解决这个问题，埃默里大学（Emory University）和伊利诺伊大学芝加哥分校（University of Illinois at Chicago）的研究团队开发了一种名为 ProtoCP 的新方法。他们的目标是构建一个既足够紧凑以发挥作用，又足够强大以保持可靠的安全网，即使在欺诈行为隐匿于视线之内且极其罕见的情况下也是如此。他们意识到，要做出良好的判断，计算机需要观察正确的上下文。他们不再将一笔交易及其邻居看作一个混乱、混合在一起的堆积物，而是教会系统去识别特定的“模式”或欺诈行为通常表现出的“原型”。想象一下，一个诈骗者经常使用特定类型的设备或连接到特定的账户组；该系统通过学习来识别这些循环往复的模式。
研究人员构建了一种方法，首先识别这些模式，然后利用它们来清理数据。当系统检查一笔交易以决定其是否安全时，它会观察周围的网络。但是，它不再平等地倾听每一个附近的交易，而是利用学到的模式来过滤掉噪声。它专注于那些看起来确实符合其学到的欺诈模式的邻居，并忽略那些仅仅是正常的、无害活动的邻居。这创造了一个更清晰的局面。一旦系统有了这个更清晰的视图，它就会计算一个分数来衡量该交易看起来有多奇怪。为了使这个分数更加可靠，系统不仅将其与单个数字进行比较，还将其与它与其经过过滤后的直接邻居之间的差异进行比较。如果一笔交易看起来与它的可疑邻居非常不同，它就会获得更高的预警分数。
最后，研究人员增加了一个步骤，以便随着时间的推移平滑处理结果。诈骗者会改变他们的策略，昨天看起来像欺诈的行为今天可能会有所不同。这种新方法将信息在时间维度上进行传播，因此数据的突然、混乱的激增不会让整个系统失去平衡。这使得系统即使在诈骗者不断演变时也能保持稳定。当团队在包括金融交易和在线评论在内的四个不同的现实世界数据集上测试这种新方法时，它的表现优于以往任何方法。它能够保持安全网的紧凑性，产生易于人类审查的小型可能性列表，同时仍能达到它们承诺的捕捉欺诈率。事实上，对于稀有的欺诈案例，这种新方法在没有过度谨慎的情况下，捕捉欺诈的能力远高于旧方法，而旧方法要么漏掉了欺诈，要么创建了规模庞大到不切实际的列表。
这项研究表明，通过教会系统识别欺诈的具体形状并忽略正常行为的噪声，我们可以让人工智能变得更加值得信赖。研究人员发现，他们的方法成功处理了欺诈的极端稀有性和不良行为者的多变性，证明了同时拥有高准确性和清晰、诚实的确定性度量是可能的。这意味着在未来，在线平台可以使用这些工具以更高的信心来标记可疑活动，在保护用户的同时，不会给诚实的人带来不必要的麻烦。这项工作表明，捕捉欺诈的关键不仅仅是看得更仔细，而是要更聪明地观察正确的连接。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。