Graph Neural Network for Fraud Detection via Spatial-Temporal Attention

Cheng, Dawei; Wang, Xiaoyang; Zhang, Ying; Zhang, Liqing

doi:10.1109/tkde.2020.3025588

Cited by 78 publications

(17 citation statements)

References 39 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The experimental outcomes revealed that the investigated technique performed well as compared to other methods with regard to an accuracy of 98.40%, AUC (Area under receiver operating characteristic curve) of 92.88%, precision of 97.34% and F1-score of 56.95% for detecting the CCF. D. Cheng, et.al (2022) introduced a STAGN (spatial-temporal attention-based graph network) in order to detect fraud in credit card [17]. Generally, a GNN (graph neural network) for learning graph attributes.…”

Section: Literature Reviewmentioning

confidence: 99%

Hybrid Machine Learning Algorithm for Credit Card Fraud Detection

2022

IRJMETS

View full text Add to dashboard Cite

The prediction analysis (PA) refers to an approach using which the upcoming prospect can be predicted from the previous occurred events. This technique has two phases namely feature extraction and classification process. The detection of fraud in credit card using PA becomes challenging because of the complexity in datasets. There are numerous classification methods that are implemented in state-of-art schemes in order to detect the frauds in credit card. The prediction analysis is a DM (data mining) method which is useful for future forecasting on the basis of current information. This research is carried out to perform the CCFD (credit card fraud detection) on the basis of recent information. The data of credit card is available in an enormous volume form. Consequently, it becomes difficult to establish association among diverse features that have impact on the predictive accuracy. The KNN (K nearest Neighbor) is deployed to extract the attributes and the PA (prediction analysis) is performed by the means of NB (naïve bayes) algorithm.

show abstract

Section: Literature Reviewmentioning

confidence: 99%

Hybrid Machine Learning Algorithm for Credit Card Fraud Detection

2022

IRJMETS

View full text Add to dashboard Cite

show abstract

“…Furthermore, the relationship between multiple instances, as transactions or customers, is also embedded into this principle. This principle attends fraud expert tasks when analyzing complex fraud cases involving multiple actors and comparing past patterns, which is constantly performed during their analyses whether through Feature Impact EM or network and graph visualizations of multiple customer transactions over time [16,9,26]. Without DP 5, experts would lack such features for understanding AI with temporal and multiple feature and instances perspectives.…”

Section: Dp3 Dp 3 Instantiation Enables Experts To Look Closely Into What Data Featuresmentioning

confidence: 99%

Towards Design Principles for User-Centric Explainable AI in Fraud Detection

Cirqueira

Helfert

Bezbradica

2021

Lecture Notes in Computer Science

View full text Add to dashboard Cite

Experts rely on fraud detection and decision support systems to analyze fraud cases, a growing problem in digital retailing and banking. With the advent of Artificial Intelligence (AI) for decision support, those experts face the black-box problem and lack trust in AI predictions for fraud. Such an issue has been tackled by employing Explainable AI (XAI) to provide experts with explained AI predictions through various explanation methods. However, fraud detection studies supported by XAI lack a user-centric perspective and discussion on how principles are deployed, both important requirements for experts to choose an appropriate explanation method. On the other hand, recent research in Information Systems (IS) and Human-Computer Interaction highlights the need for understanding user requirements to develop tailored design principles for decision support systems. In this research, we adopt a design science research methodology and IS theoretical lens to develop and evaluate design principles, which align fraud expert's tasks with explanation methods for Explainable AI decision support. We evaluate the utility of these principles using an information quality framework to interview experts in banking fraud, plus a simulation. The results show that the principles are an useful tool for designing decision support systems for fraud detection with embedded user-centric Explainable AI.

show abstract

“…Bu durum ise, çevrim içi dolandırıcılık tespiti sistemindeki dolandırıcılık davranışlarına en yakın dolandırıcılık davranış modellerine odaklanmayı gerektirir. Bu nedenle [9] kredi kartı dolandırıcılık tespiti için mekansal-zamansal dikkat tabanlı bir grafik ağı (STAGN) modeli önerilmiştir. Daha sonra 3 boyutlu bir evrişim ağına beslenen öğrenilmiş temsillerinin üzerine uzamsal-zamansal dikkat kullanılmıştır.…”

Section: Literatür Taramasıunclassified

Banka Ödemelerinde Dolandırıcılığın Çizge Madenciliği ve Makine Öğrenimi Algoritmalarıyla Tespiti

Zaim¹,

YOLAÇAN²,

Gülbandılar³

2021

DÜMF Mühendislik Dergisi

View full text Add to dashboard Cite

Günümüzde, şirketler gelecekte yapmayı planladıkları işleri içeren çok sayıdaki önemli verilerini elektronik ortamlarda saklamaktadırlar. Saldırı durumunda ise hem şirkete hem de bireylere zarar verebilecek finansal bilgiler hedef alınmaktadır. Bu saldırı türlerinden biri de banka ödemelerinde meydana gelen dolandırıcılık saldırılarıdır. Grafik veri bilimi kullanılması, mevcut analitik ve makine öğrenimi ardışık düzenlerini güçlendirerek, var olan dolandırıcılık tespit yöntemlerinin doğruluğunu ve uygulanabilirliğini arttırmaktadır. Bu çalışmada İspanya'daki bir banka ödeme bilgi simülasyonundan oluşturulan BankSim veri kümesi kullanılmıştır. BankSim üzerinde bulunan normal ödemeler ve sahte veriler sınıflandırılarak dolandırıcılık tespiti gerçekleştirilmesi amaçlanmıştır. Sınıflandırma için Python dilinde RandomForest (RF), Support Vector Machine SVM, XGBoost (XGB), K-Nearest Neighbors (k-NN) sınıflandırma algoritmaları kullanılmıştır. Performans değerlendirmeleri için K-katlamalı çapraz doğrulama kullanılmıştır. Çizge madenciliği için Neo4j veritabanı kullanılmış ve Neo4j sorgu dili olarak CypherQL kullanılmıştır. Bu dolandırıcılık tespitinin uygulanması ile daha az hileli işlem ve daha güvenilir bir gelir akışı elde edilmiştir. Çizge madenciliği aşamasında PageRank, Community, degree gibi çizge algoritmaları ile birlikte standart makine öğrenimi yöntemi ile elde edilen sonuçlar optimize edilmiştir. Bu açıdan çizge madenciliği ve makine öğrenimi algoritmalarının birlikte kullanılmasının diğer yöntemlere kıyasla doğruluk oranlarının daha yüksek olduğu ve daha hızlı sürede hesap yapan bir yöntem olduğu ispatlanmıştır.

show abstract

Graph Neural Network for Fraud Detection via Spatial-Temporal Attention

Cited by 78 publications

References 39 publications

Hybrid Machine Learning Algorithm for Credit Card Fraud Detection

Hybrid Machine Learning Algorithm for Credit Card Fraud Detection

Towards Design Principles for User-Centric Explainable AI in Fraud Detection

Banka Ödemelerinde Dolandırıcılığın Çizge Madenciliği ve Makine Öğrenimi Algoritmalarıyla Tespiti

Contact Info

Product

Resources

About