Deep reinforcement learning-based heterogeneous graph neural networks for multi-task financial fraud detection: a new framework incorporating variational self-encoders
Notice bibliographique
Résumé
Financial fraud, as a global problem in the financial industry, brings huge economic losses to financial institutions and customers.In this paper, a multi-task financial fraud detection model is constructed based on heterogeneous graph neural network with deep reinforcement learning, combined with variational self-encoder.In this model, the variational self-encoder is combined with graph convolutional network to construct the node input representation coding module, as a way to enhance the multi-task financial fraud data and better mine the structured features of different nodes.The attention mechanism is then introduced to build the relation-aware attention, which deeply mines the input node features, further acquires the neighbor-generated features of different nodes in the network, and combines the mutual information to measure the nonlinear correlation between different random nodes.Then the financial fraud node representation is mapped into the highdimensional space by the multilayer perceptron, and then the financial fraud prediction confidence of the model is obtained, and different types of loss functions are set to ensure the detection efficiency of the model.The results show that the F1-macro and AUC values of the financial fraud detection model on the self-constructed FFD dataset are 0.749 and 0.925, respectively.Relying on the heterogeneous graphical neural network and the variational autocoder, a multi-task financial fraud detection model can be constructed, which provides a new idea for solving the suspected fraud and money laundering cases that may exist in the field of finance and economy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».