Provably Powerful Graph Neural Networks for Directed Multigraphs

要約

本論文では、標準的なメッセージパッシング型グラフ・ニューラル・ネットワーク（GNN）を、証明可能なほど強力な有向多グラフ・ニューラル・ネットワークに変換する一連の単純な適応について分析する。この適応にはマルチグラフポート番号、エゴID、逆メッセージパッシングが含まれる。これらの組み合わせにより、あらゆる有向部分グラフパターンの検出が理論的に可能であることを証明する。提案する適応の有効性を実際に検証するため、合成サブグラフ検出タスクで実験を行い、ほぼ完璧な結果を得ることができる優れた性能を実証する。さらに、提案する適応を2つの金融犯罪分析タスクに適用する。マネーロンダリング取引の検出において劇的な改善が観測され、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スコアを最大30%改善し、ツリーベースやGNNのベースラインと密接に一致するか上回る。同様に、実世界のフィッシング検出データセットにおいても、3つの標準的なGNNのF1スコアを約15%向上させ、全てのベースラインを凌駕する、印象的な結果が観測された。

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, DeepL