{"title":"评估用于检测电子商务欺诈用户的图形神经网络模型","authors":"Larissa de Andrade Silva, Eduardo L. Feitosa","doi":"10.5753/sbseg_estendido.2021.17361","DOIUrl":null,"url":null,"abstract":"Modelos baseados em grafos, Graph Neural Networks ou (GNN), vêm sendo empregados na detecção de fraudes no comércio eletrônico com resultados promissores. Neste trabalho foram avaliados modelos que utilizam classificação sobre os nós, baseados em informações da vizinhança, e o reconhecimento de comunidade, utilizando datasets reais. Os resultados demonstram que, embora promissores (acurácia variando de 50% a 86%), ainda é preciso estudar e investigá-los melhor para que possam, no futuro, atuarem em soluções anti-fraude.","PeriodicalId":102643,"journal":{"name":"Anais Estendidos do XXI Simpósio Brasileiro de Segurança da Informação e de Sistemas Computacionais (SBSeg Estendido 2021)","volume":"68 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2021-10-04","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"0","resultStr":"{\"title\":\"Avaliando Modelos de Graph Neural Networks para Detecção de Usuários Fraudulentos em e-Commerce\",\"authors\":\"Larissa de Andrade Silva, Eduardo L. Feitosa\",\"doi\":\"10.5753/sbseg_estendido.2021.17361\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"Modelos baseados em grafos, Graph Neural Networks ou (GNN), vêm sendo empregados na detecção de fraudes no comércio eletrônico com resultados promissores. Neste trabalho foram avaliados modelos que utilizam classificação sobre os nós, baseados em informações da vizinhança, e o reconhecimento de comunidade, utilizando datasets reais. Os resultados demonstram que, embora promissores (acurácia variando de 50% a 86%), ainda é preciso estudar e investigá-los melhor para que possam, no futuro, atuarem em soluções anti-fraude.\",\"PeriodicalId\":102643,\"journal\":{\"name\":\"Anais Estendidos do XXI Simpósio Brasileiro de Segurança da Informação e de Sistemas Computacionais (SBSeg Estendido 2021)\",\"volume\":\"68 1\",\"pages\":\"0\"},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2021-10-04\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"0\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Anais Estendidos do XXI Simpósio Brasileiro de Segurança da Informação e de Sistemas Computacionais (SBSeg Estendido 2021)\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.5753/sbseg_estendido.2021.17361\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Anais Estendidos do XXI Simpósio Brasileiro de Segurança da Informação e de Sistemas Computacionais (SBSeg Estendido 2021)","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.5753/sbseg_estendido.2021.17361","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
Avaliando Modelos de Graph Neural Networks para Detecção de Usuários Fraudulentos em e-Commerce
Modelos baseados em grafos, Graph Neural Networks ou (GNN), vêm sendo empregados na detecção de fraudes no comércio eletrônico com resultados promissores. Neste trabalho foram avaliados modelos que utilizam classificação sobre os nós, baseados em informações da vizinhança, e o reconhecimento de comunidade, utilizando datasets reais. Os resultados demonstram que, embora promissores (acurácia variando de 50% a 86%), ainda é preciso estudar e investigá-los melhor para que possam, no futuro, atuarem em soluções anti-fraude.