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
本研究首次应用图神经网络(GNN)在一个大规模真实异构网络上,通过结合机器学习技术,提高银行电子监控系统检测洗钱行为的质量。
本研究提出了动态异构图神经网络及其变体 DyHGN,使用商业交易数据来构建动态异构图,并使用模型解释技术来理解 DyHGN-* 模型的行为,其发现表明建模带异构输入的图动态行为需要依赖于数据结构、分布和计算成本的 “关注”。
Apr, 2022
本篇论文提出了一种用于检测 Alipay 上的恶意账户的异构图神经网络方法,引入了一种基于连接子图的自适应学习方式,通过注意力机制来学习不同类型节点的重要性,使用求和运算符对每种类型节点的聚合模式建模,实验证明该方法相对于竞争方法具有更加优异的性能表现。
Feb, 2020
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
本文提出了一种基于时间交易聚合图网络(TTAGN)的以太坊欺诈检测技术,通过模拟节点之间历史交易记录来构建以太坊交易网络的边表示,将边上的表示聚合到节点表示中,然后结合统计和结构特征进行识别,该方法在真实的以太坊欺诈数据集上优于同类方法。
本研究提出了一种半监督的基于图神经网络的欺诈检测器 SEC-GFD,通过混合过滤模块和局部环境约束模块解决了异态性和标签利用问题,实验证明 SEC-GFD 在四个真实世界的欺诈检测数据集上优于其他竞争对手的基于图的欺诈检测器。
Dec, 2023
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
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
本文介绍了反洗钱规定在维护金融系统安全方面扮演的关键角色,以及加密货币所引入的假名化和开放数据等新问题,同时提出使用分类算法和图方法来预测和控制非法交易,并分享了一个被标记的比特币交易数据集以供进一步研究。
Jul, 2019