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。

成为VIP会员查看完整内容
15

相关内容

【CVPR2023】基于文本驱动软掩码的多模态表示学习
专知会员服务
20+阅读 · 2023年4月10日
【CVPR2022】基于密集学习的半监督目标检测
专知会员服务
19+阅读 · 2022年4月19日
专知会员服务
16+阅读 · 2021年9月7日
专知会员服务
15+阅读 · 2021年8月10日
【AAAI2021】协同挖掘:用于稀疏注释目标检测的自监督学习
【ECCV2020】EfficientFCN:语义分割中的整体引导解码器
专知会员服务
15+阅读 · 2020年8月23日
专知会员服务
41+阅读 · 2020年2月20日
【CVPR2021】跨模态检索的概率嵌入
专知
17+阅读 · 2021年3月2日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
6+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
Arxiv
145+阅读 · 2023年4月20日
A Survey of Large Language Models
Arxiv
362+阅读 · 2023年3月31日
Arxiv
19+阅读 · 2023年3月17日
VIP会员
相关VIP内容
【CVPR2023】基于文本驱动软掩码的多模态表示学习
专知会员服务
20+阅读 · 2023年4月10日
【CVPR2022】基于密集学习的半监督目标检测
专知会员服务
19+阅读 · 2022年4月19日
专知会员服务
16+阅读 · 2021年9月7日
专知会员服务
15+阅读 · 2021年8月10日
【AAAI2021】协同挖掘:用于稀疏注释目标检测的自监督学习
【ECCV2020】EfficientFCN:语义分割中的整体引导解码器
专知会员服务
15+阅读 · 2020年8月23日
专知会员服务
41+阅读 · 2020年2月20日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
6+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
微信扫码咨询专知VIP会员