К содержимому
Дайджест

Графы против XGBoost: +33% к отлову фрода

AI Engineer·13 октября 2026·20:28
можно прочитать можно повторить
Открыть на YouTube
Технический доклад инженеров EXL о том, как графовая нейросеть в связке с XGBoost ловит мошеннические транзакции — для ML-инженеров и специалистов по fraud.

Что в ролике

Если вам нужно ловить мошеннические транзакции при фиксированном бюджете алертов, этот доклад показывает, почему по одной строке транзакции fraud не виден: сигнал лежит в связях между транзакциями, пользователями и мерчантами. Авторы сравнивают XGBoost с гибридом GNN+XGBoost: графовая нейросеть собирает соседей по рёбрам (транзакция–пользователь, транзакция–мерчант, цепочка прошлых транзакций) и агрегирует их состояние не средним, а конкатенацией среднего, максимума и стандартного отклонения, чтобы один опасный сосед не терялся среди нормальных. Обучение строится по месяцам как несвязные графы, что по построению исключает утечки времени, train/test и меток, а сэмплирование удерживает мягкие целевые доли fraud 0,5% для физических и 6% для онлайн-транзакций, не обрезая историю пользователей. На фиксированном alert rate 0,5% true positive rate вырос с 36% до 48% для card-present и с 48% до 61% для онлайн, что авторы оценивают в $65 млн проектного годового дохвата без роста ложных алертов. В проде модель перешла с предсказания на уровне ноды на edge-level: кэшируются только эмбеддинги пользователей и мерчантов, а не каждой транзакции, что уменьшает память с 60 ГБ до 2–3 ГБ и позволяет держать end-to-end задержку 2,3 мс медиану и 3,1 мс на P99. Объяснимость через subgraph attribution показывает, что в card-present главный сигнал — velocity-рёбра транзакция–транзакция (важность 0,94), а в онлайне заметнее мерчант-рёбра (0,19 против 0,04), что помогает аналитикам и аудиту.

Практика

Что получишь
Понимание, почему графовые нейросети обходят табличные модели в fraud-детекции, и конкретные инженерные решения: сэмплирование без потери связности, агрегация mean/max/std, защита от утечек и edge-level serving.
Первый шаг
Если есть похожие данные о транзакциях, начать с построения помесячных графов с рёбрами транзакция–пользователь, транзакция–мерчант и к прошлым транзакциям, затем обучить GNN и скормить полученные эмбеддинги в XGBoost.
Цифры
  • —0,05% против 0,6% — естественная доля мошенничества в физических и онлайн-транзакциях, поэтому авторы строят две отдельные модели
  • —36% → 48% на card-present и 48% → 61% онлайн — рост true positive rate после добавления GNN к XGBoost при фиксированном alert rate
  • —$65 млн — проектный годовой дополнительный дохват мошенничества по двум портфелям
  • —3,1 мс — P99-задержка end-to-end, при этом сам GNN forward занимает 1,61 мс
Честно
Это технический доклад с конференции, а не туториал: детали архитектуры и объяснимости показаны на слайдах, код и данные не прилагаются. Авторы не продают курс или продукт, но описывают внутреннюю систему EXL, поэтому повторить можно только на собственной аналогичной инфраструктуре и данных.
Если слова незнакомы — 5 терминов

Связки из этого ролика

1 шт.

Компоненты

2 шт.

Формат: разбор кейса · для продвинутых · уверенность разметки 0.9 · источник