Transformador Gráfico Consciente de Espaço-Tempo para Detecção de Fraude em Transações

Como obter representações informativas de transações e, em seguida, realizar a identificação de transações fraudulentas é uma parte crucial para garantir a segurança financeira. Estudos recentes aplicam redes neurais gráficas (GNNs) ao problema de detecção de fraude em transações. No entanto, eles enfrentam desafios em aprender efetivamente informações espaciais e temporais devido a limitações estruturais. Além disso, poucos detectores baseados em GNN anteriores reconheceram a importância de incorporar informações globais que abrangem padrões comportamentais similares e oferecem insights valiosos para aprendizado de representações discriminativas. Portanto, propomos uma nova GNN heterogênea chamada Transformador Gráfico Consciente de Espaço-Tempo (STA-GT) para problemas de detecção de fraude em transações. Especificamente, projetamos uma estratégia de codificação temporal para capturar dependências temporais e incorporá-la ao framework da GNN, enriquecendo informações espaciais e temporais e melhorando a capacidade expressiva. Além disso, introduzimos um módulo transformador para aprender informações locais e globais. Interações par a par entre nós superam a limitação da estrutura da GNN e constroem interações entre um nó alvo e muitos nós de longa distância. Resultados experimentais em dois conjuntos de dados financeiros demonstram que nosso STA-GT é mais eficaz na tarefa de detecção de fraude em transações em comparação com modelos gerais de GNN e detectores de fraude baseados em GNN.