Dynamic Relation-Attentive Graph Neural Networks for Fraud Detection

要約

不正検出は、偽のレビューを残したり、異常な取引を行ったりするなど、他のユーザーを騙す詐欺師を発見することを目的としています。
グラフベースの不正検出方法では、このタスクを、不正または正常の 2 つのクラスによる分類問題として考慮します。
私たちは、グラフ ニューラル ネットワーク (GNN) を使用して、動的なリレーション重視の集計メカニズムを提案することで、この問題に対処します。
多くの実世界のグラフにはさまざまなタイプの関係が含まれているという観察に基づいて、関係ごとにノード表現を学習し、各関係に異なるアテンション係数を割り当てる学習可能なアテンション関数を使用してノード表現を集約することを提案します。
さらに、異なる層からのノード表現を組み合わせて、ターゲット ノードのローカル構造とグローバル構造の両方を考慮します。これは、異種性のあるグラフでの不正検出のパフォーマンスを向上させるのに有益です。
すべての集約プロセスで動的グラフ アテンションを採用することにより、私たちの方法は各ノードのアテンション係数を適応的に計算します。
実験結果は、私たちの手法である DRAG が、現実世界のベンチマーク データセットで最先端の不正検出手法よりも優れていることを示しています。

要約(オリジナル)

Fraud detection aims to discover fraudsters deceiving other users by, for example, leaving fake reviews or making abnormal transactions. Graph-based fraud detection methods consider this task as a classification problem with two classes: frauds or normal. We address this problem using Graph Neural Networks (GNNs) by proposing a dynamic relation-attentive aggregation mechanism. Based on the observation that many real-world graphs include different types of relations, we propose to learn a node representation per relation and aggregate the node representations using a learnable attention function that assigns a different attention coefficient to each relation. Furthermore, we combine the node representations from different layers to consider both the local and global structures of a target node, which is beneficial to improving the performance of fraud detection on graphs with heterophily. By employing dynamic graph attention in all the aggregation processes, our method adaptively computes the attention coefficients for each node. Experimental results show that our method, DRAG, outperforms state-of-the-art fraud detection methods on real-world benchmark datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google