KDDJul, 2021

在超级应用环境下进行欺诈检测的关系图神经网络

PDF
TL;DR该论文提出了一种关系图卷积网络方法的框架，用于在超级应用的金融服务中预防欺诈行为；结果表明，当考虑超级应用的替代数据和高连通性中发现的交互时，采用利用这些交互的模型能够将增加价值转化为更好的决策和欺诈检测策略。
relational graph convolutional networksfraudulent behavior preventionfinancial servicessuper-appinterpretability algorithm
发现论文，激发创造
  • 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

  • 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

  • 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

  • 基于图神经网络和常用机器学习算法的假新闻检测比较分析

    本文研究了利用图神经网络技术和机器学习算法探测社交媒体平台上的虚假新闻传播，发现图神经网络对于虚假新闻的辨别效果最好。

    Mar, 2022

  • 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

  • 利用量子图神经网络进行金融欺诈检测

    提出一种利用量子图神经网络和变分量子电路检测金融欺诈的新方法，通过与经典图神经网络的比较实验证明该方法在金融欺诈检测方面具有更高的性能。

    Sep, 2023

  • 欺诈者团伙检测的时空图表示学习

    本文提出了一种使用 HIN-RNN 和 Graph Convolution Network 的方法，以解决在静态网络中排除异常点评论者的问题，并在 Yelp 和 Amazon 数据集上将其与其他最近的方法进行了比较实验，结果证明这种方法具有更高的精度、召回率和 F1 值。

    Jan, 2022

  • 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

    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。

    Aug, 2020

  • 基于异构图神经网络的以太坊欺诈检测

    该研究比较了不同类型图神经网络模型在以太坊交易网络数据和钓鱼标签数据上的性能表现，结果表明异构模型的表现优于同构模型，尤其是 RGCN 模型在整体指标上表现最好。

    Mar, 2022