超越简单平滑处理:一种用于检测伪装欺诈的差异化增强聚合图神经网络
《ACM Transactions on Knowledge Discovery from Data》:Beyond Smoothing: A Discriminative Enhanced Aggregation Graph Neural Network for Camouflaged Fraud Detection
【字体:
大
中
小
】
时间:2026年03月28日
来源:ACM Transactions on Knowledge Discovery from Data
编辑推荐:
本文提出DEFEND模型,通过内关系和外关系增强机制解决图神经网络在欺诈检测中的伪装问题,结合多关系组合模块提升性能,并在真实数据集上验证优于基线模型。
摘要
AI 摘要
要查看此由 AI 生成的摘要,您必须具有高级访问权限。
摘要
摘要
图神经网络(GNNs)已被广泛用于学习图结构数据的表示,在各种与图相关的 Web 应用中取得了显著的成功,例如欺诈检测。为了生成节点表示,基于 GNN 的模型会使用消息传递机制,旨在平滑局部邻域中的学习表示。然而,欺诈者越来越多地采用复杂的“伪装”策略,通过与合法实体建立大量连接来表现出正常行为。因此,现有的基于 GNN 的方法由于依赖于基于同质性的消息传递架构,难以有效应对此类欺诈活动。这些方法无法生成具有区分性的表示,而这对于区分欺诈者和良性实体至关重要。为了解决这个问题,我们提出了一种新颖的、具有区分性的增强聚合图神经网络欺诈检测模型,简称 DEFEND。DEFEND 结合了专门的区分机制,在两个互补的层面上加强了表示学习:i) 关系内部和 ii) 关系之间。虽然以前的方法主要关注关系内部模式而忽略了关系之间的信息,但 DEFEND 将两者结合起来,以捕捉欺诈者行为中的细微不一致之处。具体来说,一种边区分机制通过利用节点属性和结构特征,将邻域分类为基于同质性或异质性的视图;一个具有伪装意识的双通道聚合模块捕获针对这些视图的不同频率的信息,以生成丰富的关系内部节点表示。虽然以前的方法通常依赖于每种关系类型内的关系内部信息,但它们忽略了来自不同关系之间相关性的区分性信号。在 DEFEND 中,我们观察到欺诈者经常避免形成一致的关系交叉互动,而良性实体则更频繁地建立这种互动。这种差异形成了独特的行为模式。为了捕捉这一点,我们引入了一种关系间相关性机制,使用基于注意力的加权方案将节点的关系内部表示与多种关系类型相关联。通过自适应地权衡每种关系的重要性并整合它们的贡献,DEFEND 增强了节点表示的区分能力。该机制使模型能够利用关系内部和关系之间的信息,从而生成更丰富、更稳健的欺诈检测表示。最后,一个多关系组合模块将不同关系类型的信息进行聚合,强调了节点-关系对在嵌入中的重要性。我们在两个真实的欺诈数据集上进行了广泛的实验,以证明我们提出的模型的有效性,结果表明 DEFEND 的性能优于现有的最佳基线。我们工作的源代码和数据集可在
https://github.com/VenusHaghighi/DEFEND 获取。
AI 摘要
AI 生成的摘要(实验性)
此摘要是使用自动化工具生成的,并非由文章作者编写或审核。它旨在帮助发现、帮助读者评估相关性,并协助来自相关研究领域的读者理解本文内容。它旨在补充作者提供的摘要,后者仍然是论文的官方摘要。完整文章才是权威版本。点击此处了解更多 。
点击 此处 对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号