基于时空感知图变换器的交易欺诈检测
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
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
本文提出一种名为 STFGNN 的基于图神经网络的交通流预测模型,结合空间和时间各种图的融合操作,以及门控卷积模块来处理长序列,实现了比其它基线更好的性能。
Dec, 2020
该论文介绍了一种新颖的交通预测框架,它包括两个核心组件:空间 - 时间图递归神经网络和全局感知层。通过引入序列感知图神经网络,该模型可以学习不同时间步骤上的非固定图并捕捉局部时间关系。为了增强模型的全局认知,该框架还设计了三种独特的全局空间 - 时间转换器架构。在四个实际交通数据集上进行的广泛实验证明了我们框架和三种具体模型的优越性。
Jan, 2024
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
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
提出了一种名为全连接时空图神经网络(FC-STGNN)的新方法,通过将传感器之间的相关性考虑为不同时间戳下的相关性,来全面建模多元时间序列数据中的时空依赖关系,并有效地捕捉和学习有效的表示,实验证明其在多个多元时间序列数据集上相对于其他方法具有有效性。
Sep, 2023
本文提出了一种称为简化空时交通预测 GNN 的模型,它通过对不同邻域进行分别聚合的方式有效地编码了空间依赖性,并使用简单而有效的加权空时聚合机制捕获时间依赖性,而且使用了一种新颖的位置编码方案来捕获周期性的交通模式,实验表明该模型优于最先进的交通预测模型。
Mar, 2021
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