グラフニューラルネットワークで合成ID詐欺を阻止する

合成ID詐欺（SIF）は金融セクターで急速にエスカレートしている問題であり、金融機関に年間200億ドル以上の損害を与えると推定されています。従来のID盗難とは異なり、SIFは、真正および偽造された個人識別情報（PII）の組み合わせを使用して、完全に新しいIDを作成することを含みます。詐欺師がより洗練されるにつれて、従来のルールベースのシステムや基本的な機械学習モデルでさえ、対応に苦労しています。そこで、グラフニューラルネットワーク（GNN）が、この複雑な詐欺の種類と戦うための強力な新しいアプローチを提供します。

重要なポイント1：合成ID詐欺は、従来のルールベースのシステムを超えた高度な検出方法を必要とする、ユニークな形態の詐欺です。

重要なポイント2：グラフニューラルネットワーク（GNN）は、データ内の複雑な関係を特定することに優れており、合成IDを示す微妙なパターンを検出するのに理想的です。

重要なポイント3：GNNを、行動分析やデバイスフィンガープリントなどの他の不正検出手法と組み合わせることで、最高レベルの精度を実現します。

重要なポイント4：GNNを活用したプロアクティブな監視とリアルタイムのリスク評価は、合成ID詐欺による損失を最小限に抑えるために不可欠です。

合成ID詐欺を理解する

合成ID詐欺は、犯罪者が正当なPIIと偽造されたPII（たとえば、偽の社会保障番号を持つ実名）を組み合わせて、完全に人工的な新しいIDを作成するときに発生します。この「合成」IDは、不正な口座を開設したり、クレジットを取得したり、その他の金融犯罪を犯したりするために使用されます。問題の規模は重大です。LexisNexis Risk Solutionsによる2022年の調査では、SIFはすべてのID詐欺による損失の50％以上を占めていることがわかりました。

従来の不正検出システムは、PIIを既存のデータベースと照合することに依存しているため、合成IDを特定できないことがよくあります。合成IDは新しいため、以前の詐欺履歴がありません。これにより、詐欺師は長期間検出されずに活動し、多額の負債を蓄積し、重大な経済的損害を引き起こす可能性があります。

グラフニューラルネットワーク（GNN）の力

グラフニューラルネットワーク（GNN）は、グラフとして表されるデータを分析するように設計された機械学習モデルのクラスです。データを線形に処理する従来のニューラルネットワークとは異なり、GNNはデータポイント間の複雑な関係と依存関係をキャプチャできます。この機能により、合成ID詐欺の検出に特に適しています。

SIFのコンテキストでは、グラフは次のように構築できます。

• ノードは、個人、住所、電話番号、メールアドレス、IPアドレスなどのエンティティを表します。
• エッジは、これらのエンティティ間の関係を表します。たとえば、特定の個人に関連付けられた住所や、複数のアカウントにリンクされた電話番号などです。

次に、GNNは、一見無関係なエンティティ間の異常な接続や、複数のアカウント間で共有される情報の程度の高さなど、合成IDを示すグラフ内のパターンを識別することを学習できます。従来の不正検出システムには明らかではない異常を探します。

GNNが合成IDを検出する方法：技術的な詳細

GNNの主な強みは、メッセージパッシングを実行する能力にあります。グラフ内の各ノードは、近隣ノードから情報を集約し、周囲のネットワークのコンテキストに基づいて表現を繰り返し改良します。このプロセスにより、GNNは、グラフ内の位置と関係をキャプチャする各ノードの埋め込み（ベクトル表現）を学習できます。

具体的には、GNNは次の方法で合成IDを識別できます。

• 異常検出：異常な接続パターンまたは埋め込み表現を持つノード（エンティティ）を識別します。
• コミュニティ検出：不正行為に関連する可能性が高い、相互接続されたエンティティのクラスターを検出します。
• リンク予測：エンティティ間の欠落している関係を予測します。これにより、合成ID間の隠れた接続が明らかになる可能性があります。

たとえば、GNNは、正当なエンティティへの接続がほとんどなく、他の疑わしいノードへの接続が強いノードとして合成IDを識別する場合があります。または、単一のアドレスが、異なる名前とSSNを持つ多数のアカウントを登録するために使用されているパターンを検出する場合があります。これは、詐欺師が使用する一般的な戦術です。

Diditの合成ID詐欺検出へのアプローチ

Diditは、GNNの力を他の高度な不正検出手法と組み合わせて活用し、合成ID詐欺と戦うための包括的なソリューションを提供します。当社のプラットフォームは、次のものを組み込んだIDデータの動的なナレッジグラフを構築します。

• ID検証データ：IDドキュメントチェック、ライブネス検出、および生体認証の結果。
• AMLスクリーニングの結果：制裁リスト、PEPデータベース、およびネガティブメディアレポートからの情報。
• デバイスフィンガープリント：オペレーティングシステム、ブラウザー、IPアドレスなど、ユーザーのデバイスに関するデータ。
• 行動分析：入力速度、マウスの動き、ナビゲーションパターンなど、ユーザーの行動パターン。

これらの多様なデータソースを単一のグラフに統合することにより、DiditのGNNは、従来の不正検出システムでは見逃される可能性のある微妙なパターンを識別できます。システムはまた、新しい詐欺戦術を継続的に学習および適応できるため、当社の検出機能が常に時代を先取りしていることを保証します。従来のメソッドと比較して、合成IDの識別が30％向上しました。

始める準備はできましたか？

合成ID詐欺がビジネスを弱体化させないようにしてください。グラフニューラルネットワークを搭載したDiditの高度な不正検出プラットフォームは、組織と顧客を保護するのに役立ちます。

今すぐデモをリクエストしてください： https://demos.didit.me

料金の詳細については、こちらをご覧ください： https://didit.me/pricing

FAQ

ID盗難と合成ID詐欺の違いは何ですか？

ID盗難は、既存の正当なIDを盗むことを含みます。合成ID詐欺は、真正および偽のPIIの組み合わせを使用して、新しい偽造IDを作成することを含みます。SIFは、IDが既存のデータベースに存在しないため、検出がより困難なことがよくあります。

グラフニューラルネットワークは、合成ID詐欺の検出にどの程度効果的ですか？

GNNは、従来のメソッドと比較して、SIFの検出において大幅に高い精度を示しています。不正行為を示す隠れた関係と異常を明らかにすることができ、誤検知と偽陰性の大幅な削減につながります。

合成ID詐欺検出用のグラフを構築するには、どのようなデータが必要ですか？

包括的なグラフには、個人、住所、電話番号、メールアドレス、IPアドレス、およびトランザクションデータに関するデータが含まれている必要があります。ID検証、AMLスクリーニング、デバイスフィンガープリント、および行動分析からのデータを統合することが、最適なパフォーマンスに不可欠です。

GNNは新しい詐欺戦術に適応できますか？

はい、GNNは新しいパターンやトレンドを継続的に学習および適応できる機械学習モデルです。新しいデータでモデルを再トレーニングすることにより、新しい詐欺スキームの検出に効果的であることを保証できます。