.png){kind=icon}
返回
Modeling interdependencies in fraud detection: a graph embedding-based approach
.png){kind=icon}
OA
AI
DOI：10.1007/s40747-026-02336-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
欺诈案件的日益增多使得欺诈检测成为许多公司和组织的重中之重。欺诈行为通常可以通过各方之间的关系进行追溯，例如欺诈者、共犯或受害者。理解这些关系对于欺诈检测至关重要，因为欺诈方案通常利用人际间的联系和依赖关系。分析这些相互依赖关系能更深入地洞察欺诈活动，相比仅考虑直接关系或缺乏关系背景的方法，能带来更有效、性能更高的欺诈检测方案。研究各方关系最有效的方法之一是图分析。然而，传统图分析方法常产生非结构化数据，使得分析成本高昂且复杂。在本文中，我们提出了一种名为Graph Aware Fraud（GAF）的解决方案，通过图嵌入技术分析欺诈检测中的关系和相互依赖性。该方法利用基于深度学习的图嵌入技术，将非结构化、复杂的关系表示为低维特征向量。由此产生的特征向量可轻松用于各种机器学习方法，无需复杂的图分析算法。我们使用包含多元主体和关系的医疗保健提供商欺诈检测分析数据集对GAF进行了评估。实验结果显示了模型的有效性，实现了56%的平衡F1分数。与基于深度学习的方法和传统算法的比较分析表明，GAF具有优越性，展现出显著的性能提升。这些结果突显了GAF发掘隐藏关系模式、提升欺诈检测能力的潜力。这些发现强调了GAF通过发掘数据中的隐藏关系模式来增强欺诈检测的潜力。
Keyword:
Fraud detection
Interdependency
Graph embedding
Graph attention network
