Motif-aware temporal GCN for fraud detection in signed cryptocurrency trust networks

要約

グラフ畳み込みネットワーク (GCN) は、グラフとして表現できるデータを処理するための人工ニューラル ネットワークのクラスです。
金融取引は自然にグラフとして構築できるため、GCN は金融業界、特に金融詐欺の検出に広く適用されています。
このホワイト ペーパーでは、暗号通貨ネットワークでの不正検出に焦点を当てます。
文献では、ほとんどの作品が静的ネットワークに焦点を当てています。
一方、この研究では、暗号通貨ネットワークの進化する性質を考慮し、ローカル構造理論とバランス理論を使用してトレーニングプロセスを導きます。
より具体的には、モチーフ行列を計算してローカルのトポロジ情報を取得し、それらを GCN 集約プロセスで使用します。
各スナップショットで生成された埋め込みは、時間枠内の埋め込みの加重平均であり、重みは学習可能なパラメーターです。
トラスト ネットワークは各エッジで署名されているため、バランス理論を使用してトレーニング プロセスがガイドされます。
bitcoin-alpha および bitcoin-otc データセットの実験結果は、提案されたモデルが文献のモデルよりも優れていることを示しています。

要約(オリジナル)

Graph convolutional networks (GCNs) is a class of artificial neural networks for processing data that can be represented as graphs. Since financial transactions can naturally be constructed as graphs, GCNs are widely applied in the financial industry, especially for financial fraud detection. In this paper, we focus on fraud detection on cryptocurrency truct networks. In the literature, most works focus on static networks. Whereas in this study, we consider the evolving nature of cryptocurrency networks, and use local structural as well as the balance theory to guide the training process. More specifically, we compute motif matrices to capture the local topological information, then use them in the GCN aggregation process. The generated embedding at each snapshot is a weighted average of embeddings within a time window, where the weights are learnable parameters. Since the trust networks is signed on each edge, balance theory is used to guide the training process. Experimental results on bitcoin-alpha and bitcoin-otc datasets show that the proposed model outperforms those in the literature.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google