RAGFormer: Learning Semantic Attributes and Topological Structure for Fraud Detection

要約

不正行為は複雑で欺瞞的な性質を持っているため、不正行為の検出は依然として困難な作業です。
現在のアプローチは主に、グラフの 1 つの観点 (グラフのトポロジー構造または個々のノードの属性) のみを学習することに重点を置いています。
しかし、我々は実証研究を行って、これら 2 つのタイプの特徴がほぼ直交しているにもかかわらず、それぞれ独立して効果があることを明らかにしました。
結果として、以前の方法では、不正グラフの包括的な特徴を完全に捉えることができません。
このジレンマに対処するために、意味論的特徴とトポロジー的特徴の両方をターゲット ノードに同時に埋め込む、transFormer~(RAGFormer) を備えた Relation-Aware GNN と呼ばれる新しいフレームワークを紹介します。
シンプルだが効果的なネットワークは、セマンティック エンコーダー、トポロジー エンコーダー、およびアテンション フュージョン モジュールで構成されます。
セマンティック エンコーダーは、Transformer を利用して、さまざまな関係にわたるセマンティック特徴とノードの相互作用を学習します。
トポロジ エンコーダとして Relation-Aware GNN を導入し、各リレーション内のトポロジ特徴とノードの相互作用を学習します。
これら 2 つの相補的な特徴は、両方の直交特徴による予測をサポートするために、アテンション フュージョン モジュールを通じてインターリーブされます。
2 つの人気のある公開データセットに対する広範な実験により、RAGFormer が最先端のパフォーマンスを達成することが実証されました。
産業用クレジット カード不正検出データセットにおける RAGFormer の大幅な改善により、現実世界のビジネス シナリオにおける当社の手法の適用可能性がさらに検証されました。

要約(オリジナル)

Fraud detection remains a challenging task due to the complex and deceptive nature of fraudulent activities. Current approaches primarily concentrate on learning only one perspective of the graph: either the topological structure of the graph or the attributes of individual nodes. However, we conduct empirical studies to reveal that these two types of features, while nearly orthogonal, are each independently effective. As a result, previous methods can not fully capture the comprehensive characteristics of the fraud graph. To address this dilemma, we present a novel framework called Relation-Aware GNN with transFormer~(RAGFormer) which simultaneously embeds both semantic and topological features into a target node. The simple yet effective network consists of a semantic encoder, a topology encoder, and an attention fusion module. The semantic encoder utilizes Transformer to learn semantic features and node interactions across different relations. We introduce Relation-Aware GNN as the topology encoder to learn topological features and node interactions within each relation. These two complementary features are interleaved through an attention fusion module to support prediction by both orthogonal features. Extensive experiments on two popular public datasets demonstrate that RAGFormer achieves state-of-the-art performance. The significant improvement of RAGFormer in an industrial credit card fraud detection dataset further validates the applicability of our method in real-world business scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google