Aug, 2020

基于图神经网络的反欺诈检测器抵御伪装欺诈者攻击的增强方法

PDF
TL;DR本文提出了一种名为 CARE-GNN 的新型 Graph Neural Network 模型对付欺诈检测中恶意节点使用的特征伪装和关系伪装，CARE-GNN 包括三个模块，即标签感知型相似度衡量模块、强化学习模块和跨不同关系的选中邻居的聚合模块，实验表明，CARE-GNN 优于现有的 GNN 模型和 GNN-based 欺诈检测器。
graph neural networksfraud detectioncamouflage behaviorcamouflage-resistant gnnreinforcement learning
发现论文，激发创造
  • 提高空间图神经网络欺诈检测的聚合和加速训练方法

    本文提出三个方法以解决 Residual Layered CARE-GNN 的三个问题：采用余弦距离进行相似度度量，结合邻节点和批次规范化的相似度量模块，以及中间信息补充。在 Yelp 和 Amazon 数据集上，采用这三种方法分别获得了 4.81％，6.62％，6.81％的提高。

    Feb, 2022

  • 动态关系注意力图神经网络用于欺诈检测

    欺诈检测在发现欺诈者通过欺骗其他用户，例如发布虚假评论或进行异常交易的行为上有着重要作用。我们采用图神经网络和动态关系注意力聚合机制来解决这个问题，并在真实基准数据集上展示了我们的方法 DRAG 优于其他最先进的欺诈检测方法。

    Oct, 2023

  • CaT-GNN: 通过因果时序图神经网络提升信用卡欺诈检测

    本文介绍了一种名为 CaT-GNN 的新型信用卡欺诈检测方法，该方法利用因果不变性学习揭示了交易数据中的内在相关性，并通过发现和干预阶段将问题分解，通过识别事务图中的因果节点并应用因果混合策略来提高模型的鲁棒性和可解释性。实验结果表明，CaT-GNN 在多个数据集上表现出超过现有最先进方法的优越性能，突显了将因果推理与图神经网络相结合以提高金融交易中的欺诈检测能力的潜力。

    Feb, 2024

  • 利用自适应图神经网络进行交易欺诈检测

    本文提出了一种基于自适应采样和聚合的图神经网络 (ASA-GNN)，通过邻居采样策略和邻居多样性度量，在交易数据中学习判别表示以提高欺诈检测的性能，实验结果表明该方法优于现有的其他方法。

    Jul, 2023

  • 应用图神经网络于欺诈检测中的一致性问题缓解

    本文提出了一个新的 GNN 框架 GraphConsis, 以解决在线欺诈检测中的不一致性问题 (包括上下文、特征和关系不一致性)，并在四个数据集上进行实证分析，证明了 GraphConsis 的有效性。

    May, 2020

  • 通过全局和局部关系交互进行欺诈检测

    关系感知图神经网络与变形器网络结合，同时将本地和全局特征嵌入目标节点，通过注意力融合模块和跳跃连接将全局嵌入与本地嵌入合并，在两个公共数据集和一个工业数据集上验证了其卓越性能。

    Feb, 2024

  • 一种半监督图注意力网络用于金融欺诈检测

    本文介绍了一种利用多视图网络结构、半监督学习和分层注意力机制的图神经网络，用于在支付宝用户中进行欺诈检测，并实现比现有方法更为准确的预测，并且提供了可解释的结果。

    Feb, 2020

  • 基于强化邻域选择的多关系图神经网络

    该论文提出了一种新的 Graph Neural Network 体系架构（RioGNN），通过使用增强、递归和灵活的邻域选择机制来处理复杂和多样化的边缘，并通过在不同关系之间筛选重要关系来提高效率和解释性。实验结果表明，该方法比其他比较方法更有效，更高效，并具有更好的模型解释性。

    Apr, 2021

  • 保护图神经网络的无监督图异常检测

    本文提出了一个简单而有效的框架 G3AD，它引入了两个辅助网络和相关性约束来保护 GNN 免受不一致信息编码的影响。此外，G3AD 还引入了一个自适应缓存模块，以防止 GNN 仅重构包含异常的观察数据。大量实验证明，我们提出的 G3AD 在合成数据集和实际数据集上均能优于 17 个最先进的方法。

    Apr, 2024

  • 图分类的类别感知表达细化框架

    本文提出了一种 Class-Aware Representation refinement (CARE) 的方法，通过计算一个简单而强大的类别表示，并注入到图的表示中来提高类别可分离性，从而解决了图神经网络（GNN）在图分类任务中对于图层级关系和泛化问题的缺陷，并在多项实验中验证了其有效性。

    Sep, 2022