【KDD2024】SEFraud：通过解释性掩码学习实现的基于图的自解释欺诈检测

基于图的欺诈检测在现代工业场景中有广泛应用，如垃圾评论和恶意账户检测。虽然在设计有效的欺诈检测器方面已经投入了大量努力，但其结果的可解释性往往被忽视。先前的工作尝试使用后处理解释方法（如GNNExplainer）为特定实例生成解释。然而，后处理解释无法促进模型预测，这些方法的计算成本也无法满足实际需求，从而限制了它们在现实场景中的应用。为了解决这些问题，我们提出了SEFraud，这是一种新颖的基于图的自解释欺诈检测框架，同时解决欺诈检测和结果解释问题。具体来说，SEFraud首先利用定制的异构图Transformer网络，并通过可学习的特征掩码和边掩码从信息丰富的异构交易中学习表达性表示。进一步设计了一种新的三元组损失来增强掩码学习的性能。不同数据集的实验证明了SEFraud的有效性，因为它在欺诈检测性能和预测结果解释性方面显示出显著优势。具体而言，SEFraud在AUC上提高了8.6%，在Recall上提高了8.5%，相对于第二好的欺诈检测方法，并在推理时间上平均提升了10倍。最后但同样重要的是，SEFraud已部署并为中国最大的银行——中国工商银行（ICBC）提供可解释的欺诈检测服务。从ICBC生产环境收集的结果表明，SEFraud能够提供准确的检测结果和与专家业务理解一致的全面解释，证实了其在大规模在线服务中的效率和适用性。