Neues Hypergraph-Modell inspiriert vom Hippocampus bekämpft Web-Finanzbetrug

Online-Finanzdienste sind ein unverzichtbarer Bestandteil moderner Web‑Ökosysteme, doch ihre Offenheit macht sie besonders anfällig für Betrug. Dieser Betrug schädigt nicht nur verwundbare Nutzer, sondern untergräbt auch das Vertrauen in digitale Finanzdienstleistungen und wirkt sich negativ auf die gesellschaftliche Gerechtigkeit aus.

Aktuelle Erkennungsansätze, die auf Graph Neural Networks (GNNs) basieren, stoßen häufig an ihre Grenzen. Sie kämpfen mit „Fraud Camouflage“, bei dem bösartige Transaktionen so gestaltet sind, dass sie harmlos wirken, und mit langschwänzigen Datenverteilungen, die seltene, aber kritische Betrugsfälle verschleiern.

Um diese Herausforderungen zu überwinden, präsentiert das neue Modell HIMVH – Hippocampus‑Inspired Multi‑View Hypergraph Learning. Inspiriert vom Konflikt‑Monitoring des Hippocampus wird ein Cross‑View‑Inconsistency‑Perception‑Modul entwickelt, das subtile Diskrepanzen und Verhaltensheterogenität über mehrere Transaktionsansichten hinweg erkennt. Gleichzeitig nutzt ein novelty‑aware Hypergraph‑Learning‑Modul die Match‑Mismatch‑Erkennungsmechanismen des CA1‑Bereichs, um Abweichungen von Nachbarschaftserwartungen zu messen und Nachrichten adaptiv zu gewichten. Dadurch wird die Sensitivität für seltene Betrugsmuster in langschwänzigen Szenarien deutlich erhöht.

Umfangreiche Experimente an sechs Web‑Finanzbetrugsdatensätzen zeigen, dass HIMVH die Erkennungsleistung signifikant steigert und damit einen wichtigen Schritt zur Stärkung der Sicherheit im digitalen Finanzsektor darstellt.