Empowering Credit Risk Detection in Weixin Pay with Billion-Scale Deep Graph Learning
Di cosa parla
Per riconoscere frodi nei pagamenti di Weixin Pay tra miliardi di utenti si usano modelli che considerano utenti e transazioni come una rete di relazioni per vedere come il rischio si diffonde. Dividere la rete in porzioni per addestrare i modelli può spezzare tracce rare di frode; porzioni sovrapposte aiutano ma aggiungono rumore. Propongono un metodo che bilancia il carico, seleziona nodi informativi a budget e armonizza le viste sovrapposte; test su dati mostrano miglioramenti.
Cosa permette di osservare
Permette di esplorare come mantenere tracce rare di frode quando si lavora su reti enormi: quali modi di dividere la rete, selezionare i nodi informativi e unificare le diverse viste aiutano a conservare segnali utili senza introdurre troppo rumore.
Dalla fonte
Credit risk detection, particularly mitigating individual fraud, is crucial for maintaining the stability of digital financial ecosystems. Accurately identifying credit fraud among billions of users is critical for minimizing financial losses and safeguarding the sustainability of inclusive financial services. Given that credit fraud risks are often concealed within heterogeneous user-risk graphs, Graph Neural Networks (GNNs) have emerged as an effective tool for risk mining by capturing complex dependencies. To address the scalability bottleneck of industrial GNNs, distributed training based on subgraphs is indispensable. However, existing strategies often compromise topological integrity for load balancing. This can be catastrophic for risk detection, as it indiscriminately severs the long-tail evidence chains essential for risk propagation. Overlapping subgraphs can restore severed r…