Global and Local Confidence Based Fraud Detection Graph Neural Network

要約

このペーパーでは、不正行為における異性愛とカモフラージュの課題に対処する、グラフベースの異常検出への革新的なアプローチであるグローバルおよびローカル信頼性グラフ ニューラル ネットワーク (GLC-GNN) について説明します。
グラフのグローバルな特徴をカプセル化するプロトタイプを導入し、各ノードのグローバル信頼性 (GC) 値を計算することにより、GLC-GNN は良性のノードと不正なノードを効果的に区別します。
このモデルは GC を利用してメッセージ集約のアテンション値を生成し、同性愛と異性愛の両方を捕捉する能力を強化します。
4 つのオープン データセットでの広範な実験を通じて、GLC-GNN は、コンパクトなモデル サイズと迅速なトレーニング プロセスを維持しながら、精度と収束速度において最先端のモデルよりも優れたパフォーマンスを実証しました。
GLC-GNN におけるグローバルおよびローカルの信頼度測定の統合は、グラフ内の異常を検出するための堅牢なソリューションを提供し、さまざまなドメインにわたる不正行為の検出に大きな影響を与えます。

要約(オリジナル)

This paper presents the Global and Local Confidence Graph Neural Network (GLC-GNN), an innovative approach to graph-based anomaly detection that addresses the challenges of heterophily and camouflage in fraudulent activities. By introducing a prototype to encapsulate the global features of a graph and calculating a Global Confidence (GC) value for each node, GLC-GNN effectively distinguishes between benign and fraudulent nodes. The model leverages GC to generate attention values for message aggregation, enhancing its ability to capture both homophily and heterophily. Through extensive experiments on four open datasets, GLC-GNN demonstrates superior performance over state-of-the-art models in accuracy and convergence speed, while maintaining a compact model size and expedited training process. The integration of global and local confidence measures in GLC-GNN offers a robust solution for detecting anomalies in graphs, with significant implications for fraud detection across diverse domains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google