Détecter la fraude financière à l'aide de réseaux neuronaux graphiques attentifs aux sauts

Avec l'augmentation continue de la disponibilité des services financiers en ligne, l'incidence de la fraude a également connu une hausse significative. Les fraudeurs cherchent constamment de nouvelles et innovantes méthodes pour contourner les algorithmes de détection en place. Traditionnellement, la détection de la fraude s'appuyait sur des méthodes basées sur des règles, où celles-ci étaient créées manuellement à partir des caractéristiques des données de transactions. Cependant, ces techniques sont rapidement devenues inefficaces en raison de leur dépendance à la création manuelle des règles et de leur incapacité à détecter des motifs complexes dans les données. Aujourd'hui, une part importante du secteur des services financiers utilise divers algorithmes d'apprentissage automatique, tels que XGBoost, Random Forest et les réseaux neuronaux, pour modéliser les données de transactions. Bien que ces techniques se soient avérées plus efficaces que les méthodes basées sur des règles, elles échouent encore à capturer les interactions entre différentes transactions et leurs relations mutuelles. Récemment, des techniques basées sur les graphes ont été adoptées pour la détection de la fraude financière, exploitant la topologie du graphe pour agréger les informations du voisinage des données de transactions grâce aux Réseaux Neuronaux Graphiques (GNNs) [Graph Neural Networks]. Malgré des améliorations par rapport aux méthodes précédentes, ces techniques peinent toujours à suivre l'évolution rapide des tactiques d'occultation utilisées par les fraudeurs et souffrent d'une perte d'information due au sur-lissage [over-smoothing]. Dans cet article, nous proposons un nouvel algorithme qui utilise une méthode d'échantillonnage efficace du voisinage, adaptée à la détection du camouflage et préservant les informations cruciales issues des nœuds non similaires. De plus, nous introduisons une nouvelle architecture GNN qui intègre des mécanismes d'attention et conserve l'information globale du voisinage afin d'éviter toute perte d'information. Nous testons notre algorithme sur des données financières pour montrer que notre méthode surpassent d'autres algorithmes graphiques de pointe.