Quão efetivas são Redes Neurais baseadas em Grafos na Detecção de Fraude para Dados em Rede?

• Ronald D. R. Pereira UFMG
• Fabrício Murai UFMG

DOI: https://doi.org/10.5753/brasnam.2021.16141

Resumo

Redes Neurais baseadas em Grafos (GNNs) são modelos recentes criados para o aprendizado de representações de nós (e de grafos), que alcançaram resultados promissores na detecção de padrões que ocorrem em dados de larga escala que relacionam diferentes entidades. Dentre esses padrões, fraudes financeiras se destacam por sua relevância socioeconômica e por apresentarem desafios particulares, tais como o desbalanceamento extremo entre as classes positivas (fraudes) e negativas (transações legítimas), e o desvio de conceito (i.e., propriedades estatísticas dos dados mudam ao longo do tempo). Neste trabalho, realizamos uma série de experimentos para avaliar técnicas existentes de detecção de fraudes em rede, considerando os dois desafios anteriores. Para isso, utilizamos conjuntos de dados reais, complementados por dados sintéticos criados a partir de uma nova metodologia introduzida aqui. Baseado nessa análise, propomos uma série de pontos de melhoria a serem investigados em pesquisas futuras.

Palavras-chave: Fraude, Grafos, Redes

Referências

Gao, L., Yang, L., Arefan, D., and Wu, S. (2020). One-class classification for highly imbalanced medical image data. In Medical Imaging 2020, pages 342 – 347.

Liu, Y., Ao, X., Qin, Z., Chi, J., Yang, H., and He, Q. (2021). Pick and choose: A gnn-based imbalanced learning approach for fraud detection. In WWW.

Lopez-Rojas, E., Elmir, A., and Axelsson, S. (2016). Paysim: A financial mobile money simulator for fraud detection. In EMSS, pages 249–255. Dime University of Genoa.

Mukherjee, A., Venkataraman, V., Liu, B., and Glance, N. (2013). What yelp fake review filter might be doing? In ICWSM, volume 7.

Pareja, A., Domeniconi, G., Chen, J., Ma, T., Suzumura, T., Kanezashi, H., Kaler, T., Schardl, T. B., and Leiserson, C. E. (2020). EvolveGCN: Evolving graph convolutional networks for dynamic graphs. In AAAI.

Pereira, R. D. R. and Murai, F. (2021). How effective are graph neural networks in fraud detection for network data? arXiv preprint arXiv:2105.14568.

Rayana, S. and Akoglu, L. (2015). Collective opinion spam detection: Bridging review networks and metadata. In KDD, pages 985–994.

Rayana, S. and Akoglu, L. (2016). Collective opinion spam detection using active inference. In SDM, pages 630–638. SIAM.

Wagner, D. (2019). Latent representations of transaction network graphs in continuous vector spaces as features for money laundering detection. In SKILL, pages 143–154.

Wang, G., Yang, J., and Li, R. (2017). Imbalanced svm-based anomaly detection algorithm for imbalanced training datasets. Etri Journal, 39(5):621–631.

Wang, X., Du, Y., Cui, P., and Yang, Y. (2020). Ocgnn: One-class classification with graph neural networks.arXiv preprint arXiv:2002.09594.

Weber, M., Chen, J., Suzumura, T., Pareja, A., Ma, T., Kanezashi, H., Kaler, T., Leiserson,C. E., and Schardl, T. B. (2018). Scalable graph learning for anti-money laundering: A first look. arXiv preprint arXiv:1812.00076.

Weber, M., Domeniconi, G., Chen, J., Weidele, D. K. I., Bellei, C., Robinson, T., andLeiserson, C. E. (2019). Anti-money laundering in bitcoin: Experimenting with graph convolutional networks for financial forensics. arXiv preprint arXiv:1908.02591.

Yang, H. and King, I. (2009). Ensemble learning for imbalanced e-commerce transaction anomaly classification. In ICONIP, pages 866–874. Springer.