Betrugsdetektion in Finanzgeschäften mit Sprung-attentiven Graph-Neuralnetzen

Mit der zunehmenden Verfügbarkeit finanzieller Dienstleistungen im Internet ist die Anzahl von Betrugstaten entsprechend gestiegen. Die Täterschaft sucht ständig nach neuen und innovativen Methoden, um die vorhandenen Erkennungsalgorithmen zu umgehen. Traditionell basierte die Betrugsdetektion auf regelbasierten Verfahren, bei denen Regeln manuell anhand von Transaktionsdatenmerkmalen erstellt wurden. Diese Techniken erwiesen sich jedoch bald als ineffektiv, da sie auf manueller Regeldefinition beruhten und komplexe Datenmuster nicht erkennen konnten. Heutzutage setzen erhebliche Teile des Finanzdienstleistungssektors verschiedene maschinelle Lernalgorithmen wie XGBoost, Random Forest und neuronale Netze ein, um Transaktionsdaten zu modellieren. Obwohl diese Techniken effizienter als regelbasierte Methoden sind, schlagen sie dennoch fehl, wenn es darum geht, Interaktionen zwischen verschiedenen Transaktionen und ihre Beziehungen zueinander zu erfassen. Kürzlich wurden graphbasierte Techniken für die Betrugsdetektion in der Finanzbranche eingeführt, die durch die Nutzung von Graph-Neuronalen Netzen (GNNs) topologische Strukturen ausnutzen, um Nachbarschaftsinformationen der Transaktionsdaten zu aggregieren. Trotz der Verbesserungen gegenüber früheren Methoden haben diese Techniken Schwierigkeiten, mit den sich entwickelnden Tarnmethoden der Betrüger Schritt zu halten, und leiden unter Informationsverlust aufgrund von Überglättung. In dieser Arbeit schlagen wir einen neuen Algorithmus vor, der eine effiziente Nachbarschaftsabtastmethode verwendet, die sowohl für die Erkennung von Tarnversuchen als auch zur Bewahrung wichtiger Merkmalsinformationen von dissimilaren Knoten geeignet ist. Zudem stellen wir eine neue GNN-Architektur vor, die Aufmerksamkeitsmechanismen nutzt und das gesamte Nachbarschaftswissen beibehält, um Informationsverluste zu verhindern. Wir testen unseren Algorithmus anhand finanzwirtschaftlicher Daten und zeigen, dass unsere Methode anderen aktuellen graphbasierten Algorithmen überlegen ist.