Inferens baserad på sociala nätverk

Bedrägeridetektering i R

Tim Verdonck

Professor Data Science at KU Leuven

Inferens baserad på sociala nätverk

Mål

Förutsäg en nods beteende utifrån andra noders beteende

Inferens baserad på sociala nätverk

Utmaningar

Data är inte oberoende
- En nods beteende kan påverka andra noders beteende
- Korrelerat beteende mellan noder
Kollektiv inferens: slutledningar om noder kan påverka varandra

Icke-relationell vs relationell

Icke-relationell modell

Använder endast lokal information
Logistisk regression, beslutsträd, ...

Relationell modell

Utnyttjar länkar i nätverket
Relationell grannklassificerare

Relationell grannklassificerare

Antaganden

Homofili: sammankopplade noder tenderar att tillhöra samma klass ("skuldbelagt sällskap")
Vissa klassetiketter är kända

Relationell grannklassificerare

Sannolikhet för bedrägeri

$$P(F | ?) = \frac{1 + 1}{1 + 1 + 1 + 1 + 1}=\frac{2}{5}= 40\%$$

Relationell grannklassificerare med vikter

Sannolikhet för bedrägeri

$$P(F | ?) = \frac{1 + 2}{3 + 1 + 1 + 2 + 1}=\frac{3}{8}=37.5\%$$

Relationell grannklassificerare

vertex_attr(network) ## Nodes are labeled as 1 (fraud), 0 (not fraud), or NA (unknown)
$name

"?" "B" "C" "D" "E" "A"

$isFraud

NA  1  0  1  0  0

edge_attr(network) ## The edges have a weight

$weight

2 3 1 1 1

Relationell grannklassificerare

## subgraph(): create subgraph containing nodes "?" and all fraudulent nodes
subnetwork <- subgraph(network, v = c("?", "B", "D"))

## strength(): sum up the edge weights of the adjacent edges for node "?"
prob_fraud <- strength(subnetwork, v = "?") / strength(network, v = "?")

prob_fraud

0.375

Nu kör vi en övning!

Bedrägeridetektering i R