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
本研究提出了一种 Alternating Graph-regularized Neural Network (AGNN) 模型,其中包括 Graph Convolutional Layer (GCL) 和 Graph Embedding Layer (GEL)。GEL 通过包含拉普拉斯嵌入项的图正则化优化导出,可以通过从低阶特征空间定期投影到高阶空间来缓解过度平滑问题。通过改进的 Adaboost 策略聚合来自每一层的输出,并探索多跳邻居的集成嵌入,评估表明,在比较某些多层或多阶图神经网络的性能基础上,AGNN 比现有的最先进模型表现更好。
Apr, 2023
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
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
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
该研究提出了一种名为 SimP-GCN 的新框架,它可以有效地保留节点相似性,同时利用图结构进行图表示学习,并使用自监督学习以显式捕获节点之间的复杂特征相似性和相异性关系。该框架在多个基准数据集上取得了比代表性基线更好的效果。
Nov, 2020
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
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
我们提出了一种名为邻域重叠感知图神经网络(Neo-GNNs)的方法,可以从邻接矩阵中学习有用的结构特征,预测链接,表现出比传统启发式方法更好的性能,可处理重叠的多跳邻域结构信息。
Jun, 2022
提出了一种基于图神经网络的网络定位方法,通过结合关注机制,在严重的非直线视线传播情况下实现了卓越的稳定性和准确性,消除了离线校准或非直线视线识别的需求。
Nov, 2023