基于属性驱动图表示的半监督信用卡欺诈检测

信用卡欺诈给持卡人和发卡银行带来了巨大的成本。当前的方法通常应用基于机器学习的分类器，从带有标签的交易记录中检测欺诈行为。然而，由于标记数据的成本高昂，带标签的数据通常只占数十亿真实交易的一小部分，这意味着这些方法未能充分利用未标记数据中的许多自然特征。因此，我们提出了一种用于欺诈检测的半监督图神经网络。具体而言，我们利用交易记录构建了一个时间交易图，该图由时间交易（节点）及其之间的交互（边）组成。然后，我们通过门控时间注意力网络（Gated Temporal Attention Network, GTAN）在节点之间传递消息，以学习交易表示。我们进一步通过交易之间的风险传播来建模欺诈模式。我们在一个真实世界的交易数据集以及两个公开的欺诈检测数据集上进行了广泛的实验。结果表明，我们提出的方法即GTAN，在三个欺诈检测数据集上的表现优于其他最先进的基线方法。半监督实验也证明了我们的模型仅使用少量带标签数据就能实现出色的欺诈检测性能。