互联网金融欺诈检测：基于图神经网络的方法
后疫情时代的互联网金融欺诈
- 新冠疫情导致金融欺诈威胁增加，2020年4月欺诈交易量同比增长35%，欺诈率上升33%。
- 金融业务加速向线上转移，传统线下业务迁移至线上，同时诞生新的线上产品和服务（如电商平台、生活服务平台提供的贷款和援助服务）。
- 传统欺诈检测任务面临类别不平衡、概念漂移、数据不可信等挑战。
- 互联网欺诈检测任务面临类别极度不平衡、对抗攻击、标注稀缺、特征发现难、样本价值敏感、分布外样本特征学习指导信号弱等挑战。
用图神经网络为什么行？
- 欺诈检测数据类型从结构化、半结构化扩展到非结构化数据（文本、声音、视频等）。
- 欺诈检测方法从规则系统、传统机器学习发展到深度学习。
- 图神经网络（GNN）适用于欺诈检测，能够整合多源异构数据，发现欺诈活动特征，支持半监督学习。
- 基于元路径的特征采样优化：将风控规则以元路径形式指导节点特征采样，优化特征提取效果，线上测试逾期用户识别召回率提升10.19%。
- 实验结果：基于阿里巴巴真实数据，与当时最好方法HACUD相比，AUC指标提升2.3%，R@P0.1指标提升7.4%；与阿里巴巴线上方法GBDT相比，AUC指标提升6.2%，R@P0.1指标提升16.1%。
用图神经网络有什么坑？
- GNN核心思想是通过消息传递生成节点embedding表示，但面临类别不平衡问题。
- PC-GNN：面向类别不平衡图的采样GNN。
- 挑战：欺诈用户占比低，不利于GNN消息传递。
- 贡献：改造GNN近邻采样机制，缓解类别不平衡问题。
- 效果：提升欺诈用户检测AUC2.6%~3.6%。
- 模块：Pick（全局平衡采样）和Choose（局部结构调整）。
- 实验结果：与CARE-GNN相比，AUC提升3.6%~5.2%，GMean提升0.6%~3.7%。
- AO-GNN：面向类别不平衡图的AUC最大化GNN。
- 优化AUC的训练倾向于获得一个既能区分良性节点又能区分欺诈节点的模型。
- 欺诈者可能主动伪装导致图结构被“污染”。
- 结构优化会带来预测结果的改变，进而引起AUC的变化。
- 拓扑结构优化策略：用环境GNN编码图的表示，“剪断”或“不剪”某一条边，根据剪边后的图用GNN分类器预测得到的AUC-ROC变化值作为奖励。
- 实验结果：在公开测试数据集上取得良好效果。
用图神经网络有什么趋势？
- 未来趋势包括防御潜在的对抗攻击、在新场景中快速自适应地学习特征、更好利用无监督数据、预训练模型等。
