面向带符号加密货币信任网络的基于时序 GCN 的模式感知欺诈检测
该论文介绍了一种新的卷积神经网络架构,名为 Motif-CNN,能够处理具有不规则连接结构的图形,特别是异构图形,实现了半监督节点分类,并在真实社交网络和多个代表性异构图形数据集上显示出与现有图形卷积神经网络和其他最先进技术相比的显着优势。
Nov, 2017
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
本文提出了一种基于平衡理论的有向图卷积神经网络模型,用于在带有正负连接的有向图中进行节点表示学习,并证明其在 link sign prediction 等问题上的有效性。
Aug, 2018
本研究通过将图卷积网络(GCNs)与时间随机游走(TRW)相结合,并借助概率抽样,来识别以太坊交易的复杂时间序列,从而提供更精细的交易异常检测机制。初步评估表明,我们的 TRW-GCN 框架在检测异常和交易突发事件方面显著提高了性能指标。此研究通过利用空间关系和基于时间的交易序列作为节点特征引入了更高层次的细粒度,使检测过程更健壮且不易产生误报,为未来优化和提高区块链技术透明度的研究奠定了基础。
Sep, 2023
本文提出了 MotifNet 的概念,是一种基于本地图形的卷积神经网络 (Graph CNN),旨在解决传统基于图拉普拉斯特征向量 (Spectral CNNs) 所遇到的无向图假设的限制,并且在真实数据上取得了较好的效果。
Feb, 2018
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
通过使用边缘符号的可信性修正图卷积网络(GCN)中的错误嵌入传播,提出了一种名为 TrustSGCN 的新型基于 GCN 的签名网络嵌入方法,该方法利用了平衡理论推断出的高阶关系的边缘符号的可信性。实验证明 TrustSGCN 在四个真实世界的签名网络数据集上始终优于其他五种基于 GCN 的签名网络嵌入方法。
Sep, 2023
提出一种名为图修正卷积网络(GRCN)的框架,通过引入基于 GCN 的图修正模块来预测缺失边并在下游任务中进行边缘权重修正,以避免过度参数化或简单的重新加权观察到的边缘的问题,并且在六个基准数据集上的实验结果表明,与强基准方法相比,GRCN 始终表现出较大的优势,尤其是原始图严重不完整或用于模型训练的标记实例高度稀疏的情况。
Nov, 2019
本文提出了一种名为 STA-GT 的异构图神经网络,通过引入一种时间编码和转换器模块,来捕获时间依赖性、识别欺诈性交易和促进时空信息建模,具有改进的表现能力。在两个金融数据集上进行的实验证明了该方法在交易欺诈检测任务上的有效性。
Jul, 2023
本文探讨了利用时间图网络(TGN)进行金融异常检测的技术,通过实验证明 TGN 在捕捉金融网络中边的动态变化方面具有显著优势,表明 TGN 在适应现代金融系统动态复杂性方面具有潜力,从而成为检测金融欺诈的有效工具。
Mar, 2024