ترجمه فارسی مقاله VecAug: رونمایی از کلاهبرداری‌های پنهان با تقویت گروه برای تشخیص بهتر

چکیده

Fraud detection presents a challenging task characterized by ever-evolving fraud patterns and scarce labeled data. Existing methods predominantly rely on graph-based or sequence-based approaches. While graph-based approaches connect users through shared entities to capture structural information, they remain vulnerable to fraudsters who can disrupt or manipulate these connections. In contrast, sequence-based approaches analyze users’ behavioral patterns, offering robustness against tampering but overlooking the interactions between similar users. Inspired by cohort analysis in retention and healthcare, this paper introduces VecAug, a novel cohort-augmented learning framework that addresses these challenges by enhancing the representation learning of target users with personalized cohort information. To this end, we first propose a vector burn-in technique for automatic cohort identification, which retrieves a task-specific cohort for each target user. Then, to fully exploit the cohort information, we introduce an attentive cohort aggregation technique for augmenting target user representations. To improve the robustness of such cohort augmentation, we also propose a novel label-aware cohort neighbor separation mechanism to distance negative cohort neighbors and calibrate the aggregated cohort information. By integrating this cohort information with target user representations, VecAug enhances the modeling capacity and generalization capabilities of the model to be augmented. Our framework is flexible and can be seamlessly integrated with existing fraud detection models. We deploy our framework on e-commerce platforms and evaluate it on three fraud detection datasets, and results show that VecAug improves the detection performance of base models by up to 2.48% in AUC and 22.5% in R@P$_{0.9}$, outperforming state-of-the-art methods significantly.

چکیده به فارسی (ترجمه ماشینی)

تشخیص کلاهبرداری یک کار چالش برانگیز را نشان می دهد که با الگوهای کلاهبرداری در حال تحول و داده های کمیاب در حال تحول است.روشهای موجود عمدتاً به رویکردهای مبتنی بر نمودار یا توالی متکی هستند.در حالی که رویکردهای مبتنی بر نمودار کاربران را از طریق نهادهای مشترک برای گرفتن اطلاعات ساختاری متصل می کنند ، آنها در برابر کلاهبرداران که می توانند این اتصالات را مختل یا دستکاری کنند ، آسیب پذیر هستند.در مقابل ، رویکردهای مبتنی بر توالی ، الگوهای رفتاری کاربران را تجزیه و تحلیل می کنند و استحکام در برابر دستکاری را ارائه می دهند اما از تعامل بین کاربران مشابه غافل می شوند.این مقاله با الهام از تجزیه و تحلیل کوهورت در حفظ و مراقبت های بهداشتی ، Vecaug ، یک چارچوب یادگیری جدید با همجنسگرا را ارائه می دهد که با تقویت یادگیری بازنمایی کاربران هدف با اطلاعات گروهی شخصی ، این چالش ها را برطرف می کند.برای این منظور ، ما ابتدا یک تکنیک سوختگی وکتور را برای شناسایی گروهی اتوماتیک پیشنهاد می کنیم ، که یک گروه خاص کار را برای هر کاربر هدف بازیابی می کند.سپس ، برای بهره برداری کامل از اطلاعات گروهی ، ما یک تکنیک جمع آوری گروهی با توجه را برای تقویت بازنمایی های کاربر هدف معرفی می کنیم.برای بهبود استحکام چنین تقویت گروهی ، ما همچنین یک مکانیسم جداسازی همسایه همسایه همسایه با برچسب جدید را پیشنهاد می کنیم تا همسایگان همگروه منفی را از فاصله بگیریم و اطلاعات گروهی جمع شده را کالیبره کنیم.VECAUG با ادغام این اطلاعات گروهی با بازنمودهای کاربر هدف ، ظرفیت مدل سازی و قابلیت های تعمیم مدل را تقویت می کند.چارچوب ما انعطاف پذیر است و می تواند یکپارچه با مدلهای تشخیص کلاهبرداری موجود ادغام شود.ما چارچوب خود را در سیستم عامل های تجارت الکترونیکی مستقر می کنیم و آن را در سه مجموعه داده تشخیص کلاهبرداری ارزیابی می کنیم ، و نتایج نشان می دهد که Vecaug عملکرد تشخیص مدل های پایه را تا 2.48 ٪ در AUC و 22.5 ٪ در r@p $_0.9 بهبود می بخشد.} $ ، بهتر از روشهای پیشرفته و به طور قابل توجهی.