Provably Powerful Graph Neural Networks for Directed Multigraphs

要約

この論文では、標準的なメッセージ パッシング グラフ ニューラル ネットワーク (GNN) を強力な有向マルチグラフ ニューラル ネットワークに変換する一連の単純な適応を分析します。
この適応には、マルチグラフ ポート番号付け、エゴ ID、およびリバース メッセージ パッシングが含まれます。
これらの組み合わせにより、理論的には任意の有向部分グラフ パターンの検出が可能になることを証明します。
私たちが提案した適応の有効性を実際に検証するために、合成サブグラフ検出タスクの実験を行い、ほぼ完璧な結果で優れたパフォーマンスを実証しました。
さらに、提案した適応を 2 つの金融犯罪分析タスクに適用します。
マネーロンダリング取引の検出において劇的な改善が見られ、標準的なメッセージパッシング GNN のマイノリティクラス F1 スコアが最大 30% 向上し、ツリーベースおよび GNN ベースラインとほぼ一致またはそれを上回るパフォーマンスを示しています。
同様に、現実世界のフィッシング検出データセットでも印象的な結果が観察され、3 つの標準 GNN の F1 スコアが約 15% 向上し、すべてのベースラインを上回っています。

要約(オリジナル)

This paper analyses a set of simple adaptations that transform standard message-passing Graph Neural Networks (GNN) into provably powerful directed multigraph neural networks. The adaptations include multigraph port numbering, ego IDs, and reverse message passing. We prove that the combination of these theoretically enables the detection of any directed subgraph pattern. To validate the effectiveness of our proposed adaptations in practice, we conduct experiments on synthetic subgraph detection tasks, which demonstrate outstanding performance with almost perfect results. Moreover, we apply our proposed adaptations to two financial crime analysis tasks. We observe dramatic improvements in detecting money laundering transactions, improving the minority-class F1 score of a standard message-passing GNN by up to 30%, and closely matching or outperforming tree-based and GNN baselines. Similarly impressive results are observed on a real-world phishing detection dataset, boosting three standard GNNs’ F1 scores by around 15% and outperforming all baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google