A Semi-supervised Graph Attentive Network for Financial Fraud Detection 个人总结

A Semi-supervised Graph Attentive Network for Financial Fraud Detection 个人总结

写在前面：为方便阅读，尽量使用中文总结，对于翻译无把握或专有词汇，在中文后附上原文字段。此外，水平有限，对文章理解有偏差部分恳请大家海涵, 指正。
顺便，移步去GitHub看看憋＞﹏＜

0. 原作信息

@inproceedings{wang2019semi,
  title={A Semi-supervised Graph Attentive Network for Financial Fraud Detection},
  author={Wang, Daixin and Lin, Jianbin and Cui, Peng and Jia, Quanhui and Wang, Zhen and Fang, Yanming and Yu, Quan and Zhou, Jun and Yang, Shuang and Qi, Yuan},
  booktitle={2019 IEEE International Conference on Data Mining (ICDM)},
  pages={598--607},
  year={2019},
  organization={IEEE}
}

1. Contribution 本文贡献

• 设计semi-supervised GNN，利用有标签、无标签数据。（通过设计不同$Loss$实现）

• 使用Hieranchical Attention，增加模型可解释性

• 在花呗的异构数据上很work。

2. Background　背景信息

• 任务: 欺诈检测,Fraud Detection

  可视作分类任务,由于异常点的采集,标注极其耗费人力物力,数据集常为少量有标签数据(labeled data),及大量无标签数据(unlabeled data).

  模型需要具备解释性, 能向部署方, 被检测者说明检测的判别标准.

• 过往检测方式

  • 基于规则, Rule-based
    • 原理: 假定欺诈活动基于一定可观测的模式
    • 缺点: 耗费人力手工设定, 依赖专家知识; 容易被攻击
  • 基于统计特征的机器学习模型
    • 如SVM, 树模型等
    • 缺点: 未利用用户间交互信息
  • 图表示学习的尝试
    • 黑箱模型,缺乏解释性

• 综上,欺诈检测建模有如下灵魂三问:

  1. 如何处理不平衡的数据,利用无标签的数据? (semi-supervised)
  2. 如何利用用户间交互,及不同类别的特征? (heterogenous graph)
  3. 如何保证模型可解释性?

3. The Model Semi-GNN 模型

3.1 Problem Definition and Notations 问题定义及注记

• 图的构建

  

  • 重点研究User用户类型节点, 图中有标签数据<<无标签数据
  • 异构图(文中记为multiview graph), G v = { U ∪ S v , E v } , v ∈ { 1 , … , m } G^{v}=\left\{U \cup S^{v}, E^{v}\right\}, v \in\{1, \ldots, m\} Gv={ U∪Sv,Ev},v∈{ 1,…,m}, $v$即view
  • view由具体业务确定, 本文中部分view是从用户特征处理产生的, 以增加结构信息. (详见实验部分数据集处理)

• 注记:

3.2 Overview 整体架构

node level(聚合各view内信息) → view level(整合views信息,得到对user的embedding) → relation loss ( 对有/无标签数据不同损失)

3.3 Node Level

对于节点u, i在view v中的特征表示, 设为$e_{ui}^v$

∵ 不同邻居节点对节点u的影响不同, 引入Attention来自主学习邻居节点的权重,

$${\alpha }_{ui}^v=\frac{\exp (e_{ui}^v\cdot H_{ui}}{{\sum }_{k\in {\mathcal{N}}_u^v}\exp \left(e_{uk}^v\cdot H_{uk}^v\right)}$$