属性駆動グラフ表現を用いた半教師付きクレジットカード不正検知

クレジットカード詐欺は、カード保有者と発行銀行にとって大きなコストをもたらします。現代の手法では、ラベル付き取引記録から不正行為を検出するために機械学習ベースの分類器が使用されています。しかし、高価なラベリング費用のため、実際の取引数十億件の中でもラベル付きデータは通常ごく一部に過ぎません。これは、非ラベルデータから多くの自然な特徴を十分に活用していないことを意味します。そこで、本研究では半教師ありグラフニューラルネットワーク（GNN）を提案し、不正検出に適用します。具体的には、取引記録を利用して時間的な取引グラフを構築します。このグラフは時間的な取引（ノード）とそれらの間の相互作用（エッジ）で構成されます。次に、ゲート付き時間的注意ネットワーク（Gated Temporal Attention Network: GTAN）を通じてノード間でメッセージを伝達し、取引表現を学習します。さらに、取引間でのリスク伝播によって不正パターンをモデル化します。本研究では、実世界の取引データセットと2つの公開された不正検出データセットを使用して広範な実験を行いました。その結果、提案した方法であるGTANが3つの不正検出データセットにおいて他の最先端基準を超える性能を示しました。また、半教師あり実験では、ごく少量のラベル付きデータのみを使用しても優れた不正検出性能が確認されました。