Application of Graph Machine Learning Techniques for Transaction Fraud Detection / Εφαρμογή τεχνικών μηχανικής μάθησης γράφων για ανίχνευση απάτης συναλλαγών

Summary

Fraud detection in financial transactions constitutes a critical issue in the field of finance, as the rapid advancement of technology has increased both the frequency and complexity of fraudulent activities. Traditional data analysis methods often prove inadequate in addressing the growing intricacy of these problems. In this context, graph machine learning algorithms are emerging as an innovative and powerful approach to fraud detection, as they enable the exploitation of structural features and relationships within data.This thesis examines the application of graph machine learning algorithms in the detection of fraud in financial transactions.

It analyzes modern techniques such as Graph Neural Networks (GNNs) and Graph Convolutional Networks (GCNs), while also investigating their advantages and limitations in real-world scenarios. By incorporating features such as graph topology, relationship analysis, and data dynamics, the thesis presents a framework aimed at improving the accuracy and efficiency of fraudulent transaction detection. The research findings suggest that graph machine learning algorithms can reveal hidden fraud patterns, offering a robust tool for combating fraud in financial transactions. The study concludes with recommendations for future research and potential applications in industrial settings.

Περίληψη

Η ανίχνευση απάτης στις οικονομικές συναλλαγές αποτελεί κρίσιμο ζήτημα στον τομέα των χρηματοοικονομικών, καθώς η ταχεία ανάπτυξη της τεχνολογίας έχει αυξήσει τη συχνότητα και την πολυπλοκότητα των δόλιων δραστηριοτήτων. Οι παραδοσιακές μέθοδοι ανάλυσης δεδομένων συχνά αποδεικνύονται ανεπαρκείς για την αντιμετώπιση της αυξανόμενης πολυπλοκότητας αυτών των προβλημάτων. Σε αυτό το πλαίσιο, οι αλγόριθμοι μηχανικής μάθησης για γραφήματα (Graph Machine Learning) αναδεικνύονται ως μια καινοτόμος και ισχυρή προσέγγιση για την ανίχνευση απάτης, καθώς επιτρέπουν την αξιοποίηση των δομικών χαρακτηριστικών και των σχέσεων μεταξύ των δεδομένων. Η παρούσα διατριβή εξετάζει την εφαρμογή των αλγορίθμων μηχανικής μάθησης για γραφήματα στην ανίχνευση απάτης στις οικονομικές συναλλαγές.

Αναλύονται σύγχρονες τεχνικές όπως η Graph Neural Networks (GNNs), η Graph Convolutional Networks (GCNs), ενώ παράλληλα διερευνώνται τα πλεονεκτήματα και οι περιορισμοί τους σε πραγματικά σενάρια.  Μέσα από την ενσωμάτωση χαρακτηριστικών όπως η τοπολογία του γραφήματος, η ανάλυση των συσχετίσεων και η δυναμική των δεδομένων, η διατριβή παρουσιάζει ένα πλαίσιο που στοχεύει στη βελτίωση της ακρίβειας και της αποτελεσματικότητας στην ανίχνευση δόλιων συναλλαγών. Τα αποτελέσματα της έρευνας υποδεικνύουν ότι οι αλγόριθμοι μηχανικής μάθησης για γραφήματα μπορούν να αναδείξουν κρυμμένα μοτίβα απάτης, προσφέροντας ένα ισχυρό εργαλείο για την αντιμετώπιση της απάτης στις οικονομικές συναλλαγές. Η μελέτη καταλήγει με συστάσεις για μελλοντική έρευνα και πιθανές εφαρμογές σε βιομηχανικά περιβάλλοντα.