《 Graph Neural Network for Fraud Detection via Spatial-temporal Attention》阅读笔记

Graph Neural Network for Fraud Detection via Spatial-temporal Attention

作者：Dawei Cheng, Xiaoyang Wang, Ying Zhang and Liqing Zhang

Department of Computer Science and Engineering, Shanghai Jiao Tong University

IEEE TKDE 2015

Abstract

提出了一种基于时空注意的图网络（STAGN），用于信用卡欺诈检测。

我们首先通过图神经网络学习基于时间和位置的事务图特征。然后使用时空注意力网络，然后将其馈入3D卷积网络。注意力权重是通过3D卷积和检测网络以端到端的方式共同学习的。

实验结果表明，STAGN在AUC和精确召回曲线上的表现均优于其他最新基准。还证明了该方法在其他基于用户行为的任务中的有效性。最后，为了应对大数据的挑战STAGN作为预测模型集成到欺诈检测系统中，并提出了系统中每个模块的实现细节。

创新点/贡献/优势：

使用时空注意力机制、3-D卷积
一个统一的时空注意力框架
在实验结果中达到了最好的效果
可以预测每秒10000的交易，达到行业标准

Introduction

对于信用卡欺骗检测一般使用两种方法
- 基于规则：由先到知识生产复杂的规则去进行判断（频繁欺诈模式）
- 基于机器学习：提取特征，有监督学习分类（无法学习到时空特征）
对于信用卡问题存在时空的高度聚集性

引用的CV的技术：将Attention使用在时空的信息上（对于视频像素容易使用注意力机制），要使用在交易图上面具有挑战性
3-D卷积在时空特征提取上具有优势

Model

\(r=\{u,t,l,m,a\}\) ,u是用户，t是时间，l是位置编号，m是收款人/机器编号，a是付款数量

时间切片：不同时间窗口的特征

空间切片，不同空间位置的特征

问题描述：给定一组交易记录 \(R = \{U，T，L，M，A\}\) ，一组欺诈事件D，以及时间窗口 \(ti＆ti + 1\) ，用于 \((ti ，ti + 1]\) 我们要根据从 \(t1\) 到 \(ti\) 的记录推断是否为欺诈事件，目的是实现高精度的欺诈预测，并探索信用卡交易的欺诈模式

一个r对应一个3-D矩阵，表示了交易特征和基于位置图的特征

\(v_e\) 是边信息（交易数、位置），\(v_g\) 全局的图特征，\(v_u,v_m\) 是随机的特征向量， \(v_v\) 是\(v_u,v_m\)的结合