目录
1、简介
报告主题
图机器学习应对金融欺诈对抗攻击
报告嘉宾
敖翔(中国科学院计算技术研究所)
报告摘要
近年来,图机器学习方法由于其强大的关联特征提取能力,在数字金融反欺诈应用中取得了显著成效。然而,该场景中的动态对抗成为了制约图机器学习方法取得进一步提升的重要挑战之一。如何净化图结构中已存在的对抗攻击,如何增强图机器学习的鲁棒性提升分布外样本的泛化能力,成为近期研究热点。本报告将围绕图的同异质性偏好假设、对抗攻防、可解释性等技术,介绍图机器学习方法在应对动态对抗、增强分布外泛化能力和可解释性方面的研究进展,并探讨此方向值得关注的技术趋势。
报告人简介
敖翔,博士,中国科学院计算技术研究所副研究员,硕士生导师,CCF高级会员。研究方向为智能金融、数据挖掘与自然语言处理。先后主持国家自然科学基金项目3项,CCF-腾讯犀牛鸟科研基金(获优秀奖)、腾讯广告犀牛鸟专项基金、阿里巴巴AIR计划(获优秀学术合作项目)、蚂蚁金服金融安全专项基金等10余项科研项目,在IEEE TKDE、KDD、WWW、ICDE、SIGIR、ACL、AAAI、IJCAI等国际权威期刊和会议上发表论文60余篇,其中CCF A类30余篇。入选北京市科技新星、中科院青促会、微软亚洲研究院“铸星计划”。担任SIGKDD、WWW、ACL、AAAI、IJCAI等学术会议的高级程序委员或程序委员。
2、图机器学习应对金融欺诈对抗攻击
背景
图机器学习识别金融欺诈
获取数据集
数据很多,标签也易获得(监督学习)
用户注册时+用户活动+用户关系收集
拿到数据后就可以训练模型,如下
为啥使用图机器学习?
挑战
挑战1-类别不平衡的解决
默认整个数据集都有label
重采样
实验结果
baseline
真实数据集上提升会多些
挑战2-标签不可信的解决
挑战3-分布有漂移的解决
图机器学习应对欺诈对抗攻击
从数据角度出发
识别攻击恢复图结构
以往方法
对比学习
核心关键
图净化
实验
从攻击者角度出发 (倾向于添加异构边)
攻击者提升了自身的异质偏好的概率
降低偏差,提升异质节点偏好的性能
实验结果
总结展望
数据缺失
落地上
其中在可解释性上有初步研究成果
发现特征传播就足够
问答
3、参考
LOGS 第2022/09/04期 ||中科院计算所敖翔:图机器学习应对金融欺诈对抗攻击
LOGS第20220904期 中科院计算所敖翔:图机器学习应对金融欺诈对抗攻击_哔哩哔哩_bilibili
Ao, Xiang-ICT, CAS-Homepage