A natural language processing approach to fraud detection

Due to the proliferation of online banking, people are more exposed than ever to attacks. Moreover, the frauds are becoming more sophisticated, bypassing the security measures put in place by the financial institutions. We propose a novel approach to fraud detection, based on the use of Natural Language Processing models. These models have shown an outstanding performance in their field, which shares similarities with the problem of fraud detection. Our solution is based on user profiling. The final goal is to predict the users behaviour and detect frauds as deviations from them. This is achieved thanks to the attention mechanism, which allows the model to fully exploit the user's history. Our model achieves a good balance between precision and recall, outperforming state-of-the-art models in different scenarios. The proposed model also performs better than similar models based on LSTM, which shows the superiority of attention-based models over classic approaches. Finally, we study the robustness of our approach against adversarial attacks.

A causa della proliferazione dell'online banking, le persone sono più esposte che mai agli attacchi. Inoltre, le frodi stanno diventando sempre più sofisticate, superando le misure di sicurezza messe in atto da parte delle istituzioni finanziarie. Proponiamo un nuovo approccio all'individuazione delle frodi, basato sull'uso di modelli di Natural Language Processing. Questi modelli hanno mostrato una performance eccezionale nel loro campo, che condivide molte caratteristiche con il problema di individuazione delle frodi. La nostra soluzione si basa sulla profilazione degli utenti. L'obiettivo finale è quello di prevedere il comportamento degli utenti e rilevare le frodi come deviazioni da essi. Questo si ottiene grazie al meccanismo di attenzione, che permette al modello di sfruttare appieno la storia dell'utente. Il nostro modello raggiunge un buon equilibrio tra Precisione e Recupero, superando i modelli state-of-the-art in diversi scenari. Il modello proposto offre inoltre prestazioni migliori rispetto a modelli simili basati su LSTM, dimostrando così la superiorità dei modelli basati sull'attenzione rispetto agli approcci classici. Infine, studiamo la robustezza del nostro approccio contro gli attacchi avversari.