7-5 图机器学习在蚂蚁安全风控场景的应用

安全风控图模型应用概述

背景介绍

• 黑产团伙通过资金交易关系相互关联。
• 资金流存在异常模式。

架构简介

• 图模型相较于树模型，补充了度子图内点边特征的聚合信息及拓扑结构信息。
• 有向动态异质资金图：节点包括账号、卡号、商家等，边具有方向性和多样性。
• HGT+DADEdge：考虑边的方向作为属性。
• DDGCL：用于动态图的对比学习方法，提高模型在时间依赖数据上的表现。

安全风控图模型

• 有向动态异质图：节点和边具有特定含义。
• HGT+DADEdge：通过双向嵌入增强边的方向信息。
• DDGCL：结合时间感知的GNN编码器、正样本重建方法和新颖的对比损失函数，提高模型在动态数据上的稳定性。

模型效果对比

• DDGCL：
  • AUC提升：0.0327（5.634%）
  • 召回率提升：5.634%
• HGT+DADEdge：
  • AUC提升：0.0335（10.856%）
  • 召回率提升：10.856%

展望

• 进一步学习：如MaskGAE、AdaPath等方法。
• 模型鲁棒性提升：包括子图去噪、预计算、对抗攻击防御及DRO（分布外）方法。
• 图结构挖掘：深入挖掘图结构信息。