要約
金融サービスのオンライン提供が増加するにつれて、詐欺の発生率もそれに応じて上昇しています。詐欺師たちは、検出アルゴリズムを回避する新しい手法を常に探しています。従来、詐欺検出は取引データの特徴に基づいて手動でルールを作成する規則ベースの方法に依存していました。しかし、これらの手法は手動でのルール作成に依存しており、複雑なデータパターンを検出できないため、すぐに効果が薄れました。現在、金融サービス業界の大部分ではXGBoost、Random Forest、ニューラルネットワークなどのさまざまな機械学習アルゴリズムを使用して取引データをモデル化しています。これらの手法は規則ベースの方法よりも効率的であることが証明されていますが、異なる取引間の相互作用やその関連性を捉えることができないという問題があります。最近では、グラフベースの技術が金融詐欺検出に採用され始めています。この技術はグラフトポロジーを利用してGraph Neural Networks (GNNs) によって取引データの近傍情報を集約します。以前の手法よりも改善しているものの、これらの技術は詐欺師たちによる進化する偽装戦術についていくのが難しく、過度な平滑化により情報損失が生じる問題も抱えています。本論文では、偽装検出に効果的でありながら非類似ノードからの重要な特徴情報を保存できる効率的な近傍サンプリング方法を用いた新たなアルゴリズムを提案します。さらに、注意メカニズムを利用し全体的な近傍情報を保存することで情報損失を防ぐ新しいGNNアーキテクチャも導入します。我々は金融データに対してアルゴリズムをテストし、提案手法が他の最先端のグラフアルゴリズムを上回ることを示しました。