Apprentissage Machine Appliqué À La Détection de Fraudes Bancaires

EasyChair Preprint 15523, version 2

Abstract

La fraude aux paiements en ligne est en augmentation continue ces dernières années. 
Nous nous intéressons aux paiements fractionnés pour le e-commerce dont le principal risque est le non-remboursement de l'intégralité de la somme due par le client.
Pour contrôler ce risque, BNP Paribas Personal Finance
a développé un système combinant les bases de données graphe et l'IA qui permet de réduire la fraude de 20\%. 
Dans cet article, nous proposons une extension de ce système avec un réseau de neurones de graphe (GraphSAGE) couplé à une méthode ensembliste (Forêt Aléatoire ou XGBoost).
Nous illustrons les gains de ce couplage comparé au système initial sur un jeu de données réel anonymisé mis à disposition de la communauté.

Keyphrases: Détection de fraudes, Financial Fraud Detection, GNN, Graph Neural Networks, apprentissage machine, detection de fraudes, graph representation learning

@booklet{EasyChair:15523,
  author    = {Aurélien Facci and Bruno Pinaud and Julie Cavarroc and Angelina Pidash},
  title     = {Machine Learning Applied to Bank Fraud Detection},
  howpublished = {EasyChair Preprint 15523},
  year      = {EasyChair, 2024}}