Dynamic Relation-Attentive Graph Neural Networks for Fraud Detection

要約

不正検出の目的は、例えば偽のレビューを残したり、異常な取引を行ったりすることで、他のユーザーを欺いている詐欺師を発見することである。グラフに基づく不正検出手法は、このタスクを不正と正常の2つのクラスによる分類問題として考える。我々は、グラフニューラルネットワーク(GNN)を用いて、動的な関係に注目した集約メカニズムを提案することで、この問題に対処する。実世界のグラフの多くは異なるタイプの関係を含むという観察に基づき、関係毎にノード表現を学習し、関係毎に異なる注意係数を割り当てる学習可能な注意関数を用いてノード表現を集約することを提案する。さらに、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するために、異なる層からのノード表現を組み合わせる。全ての集約処理において動的グラフ注意を採用することにより、本手法は各ノードの注意係数を適応的に計算する。実験の結果、我々の手法DRAGは、実世界のベンチマークデータセットにおいて、最先端の不正検出手法を凌駕することが示された。

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, DeepL