WSDMDec, 2022

自监督图表示学习用于黑市账户检测

PDF
TL;DR本文提出了一种基于 Graph Neural Network 与 Graph Self-supervised Learning 的黑市账户检测系统 SGRL，用于可以代表超过十亿用户的典型多用途消息移动应用程序 WeChat，SGRL 可以减轻标签的依赖，可以很好地推广到未知数据，并可以有效地检测 WeChat 环境中的黑市账户。
发现论文，激发创造
  • LaundroGraph: 反洗钱自监督图表示学习

    本文提出了一种名为 LaundroGraph 的新型自监督图表示学习方法，可将银行客户和金融交易编码为有意义的表示，并使用这些表示来为 AML 审查过程提供洞见，以识别给定客户的异常交易，从而提高了 AML 的检测效率。

    Oct, 2022

  • 异构时态 MMMA 图上的众包欺诈检测

    利用多功能消息手机应用程序（MMMA）进行点击农场业务的崛起引诱网络犯罪分子犯下众包欺诈行为，从而给点击农场工人带来经济损失。本文提出了一种名为 CMT 的新型对比多视图学习方法，用于检测 MMMA 的异构时态图（HTG）上的众包欺诈行为。CMT 以自监督方式捕捉 HTG 的异质性和动态性，并生成高质量的表示以进行众包欺诈检测。我们在代表性的 MMMA WeChat 的行业规模 HTG 上部署 CMT 进行众包欺诈检测，结果明显优于其他方法。CMT 在大规模公共金融 HTG 上也表现出有希望的结果，表明它可应用于其他图形异常检测任务。

    Aug, 2023

  • 通过自举方法进行图上的大规模表征学习

    通过预测输入的替代增强方式，Bootstrapped Graph Latents (BGRL) 提供了一种学习图表达的方法，仅使用简单增强即可同时解决负样本对比和昂贵成本问题，从而在几个基准测试中胜过或匹配之前的方法，并在内存成本方面实现了 2-10 倍的减少。

    Feb, 2021

  • MMGA：基于图形对齐的多模式学习

    本文提出了一个新的多模态预训练框架 MMGA，它能在社交媒体上整合图形、图像和文本模态的信息来增强用户表示学习。通过多步骤的图形对齐机制，将自监督信息注入到图像和文本编码器的优化中，同时使用图像和文本模态的信息来指导图形编码器学习。实验结果表明，该模型在 Instagram 数据集上表现良好，能提高粉丝预测任务的性能；同时，我们也公开了包含 60,000 个用户、基于 200 万帖子标注的第一个图形多模态数据集，以便于未来的研究。

    Oct, 2022

  • 少样讯息增强对比学习用于图形异常检测

    FMGAD 是一种新颖的少样本图异常检测模型，利用自监督对比学习策略在视图内和视图间捕捉内在和可传递的结构表示，并借助深度图神经网络消息增强重构模块从根本上利用少样本标签信息并使其能够传播到更深的未标记节点，该模块进一步辅助自监督对比学习的训练。综合对六个真实世界数据集的实验结果表明，FMGAD 能够在人工注入异常或领域有机异常的情况下，实现比其他最先进方法更好的性能。

    Nov, 2023

  • 自监督掩码图自编码器

    本研究提出了一种掩蔽图自编码器 (GraphMAE)，解决了基于结构数据增强和复杂的训练策略的对比学习的不足之处，侧重于特征重建，并表现出优异的性能。

    May, 2022

  • GraphMAE2: 一个集解码增强的掩码自监督图学习器

    本文提出了一种基于掩蔽自监督学习框架 GraphMAE2，利用多视角随机重新覆盖解码策略和潜在表示预测策略，并通过广泛的实验表明其在各种公共数据集上始终产生顶级结果。

    Apr, 2023

  • 伪装目标检测的互相图学习

    设计了一种新型的互动图学习（MGL）模型，它可以将图像分解成具有不同任务相关特征的两个特征图，并通过递归推理它们之间的高阶关系进行信息交互，从而实现目标检测和分割，取得了优于现有技术水平的成果。

    Apr, 2021

  • MGAE：用于图像自监督学习的屏蔽自编码器

    本文提出了一种新颖的 MGAE 框架，通过对图结构进行随机遮掩边来重构这些缺失的边并利用 GNN 对部分遮掩的图进行传播来训练 MGAE 以达到有效学习图结构数据的目的，并在多个开放数据集上进行了广泛实验，表明 MGAE 在链接预测和节点分类方面总体性能优于最先进的无监督学习竞争对手。

    Jan, 2022

  • 面向推荐的多行为自监督学习

    本研究提出一种多行为自监督学习（MBSSL）框架，包括一种自我注意力机制和行为感知图神经网络，该框架可用于应对稀疏目标信号和嘈杂的辅助交互。此外，通过梯度的混合操作，开发了一种自适应优化策略，并在五个真实世界的数据集上对该方法进行了广泛的实验.

    May, 2023