Dec, 2023

再审视基于图的欺诈检测：异质性和频谱视角

PDF
TL;DR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。
graph-based fraud detectionsemi-supervisedgraph neural networks (gnn)heterophilylabel utilization
发现论文，激发创造
  • 一种半监督图注意力网络用于金融欺诈检测

    本文介绍了一种利用多视图网络结构、半监督学习和分层注意力机制的图神经网络，用于在支付宝用户中进行欺诈检测，并实现比现有方法更为准确的预测，并且提供了可解释的结果。

    Feb, 2020

  • 图上自适应特征传播：超越低通滤波器

    提出了一种使用多个可学习谱滤波器的节点注意力机制的柔性图神经网络（GNN）模型，将聚合方案适应性地学习到每个图的谱域，从而更好地应对任意类型的图并在节点分类任务中取得了优越成果。

    Mar, 2021

  • 基于异构图神经网络的以太坊欺诈检测

    该研究比较了不同类型图神经网络模型在以太坊交易网络数据和钓鱼标签数据上的性能表现，结果表明异构模型的表现优于同构模型，尤其是 RGCN 模型在整体指标上表现最好。

    Mar, 2022

  • 标签信息强化图中低同源性欺诈检测

    本文提出了一种使用组聚合技术和 Transformer 编码器的欺诈检测方法，解决了基于图的欺诈检测中节点分类的挑战，具有更好的性能。

    Feb, 2023

  • 2SFGL：基于图形的欺诈检测的简单而稳健的协议

    使用图学习进行金融犯罪检测改善金融安全和效率，提出了一种基于联邦图学习的新型框架（2SFGL），实验证明与仅使用 FedAvg 的情况相比，将 GCN 与 2SFGL 集成应用于此任务可以在几个常见指标上提高 17.6％-30.2％的性能，而将 GraphSAGE 与 2SFGL 集成应用可以提高 6％-16.2％的性能，从而得出结论，我们提出的框架是一种稳健且简单易用的协议，可以与现有的基于图的欺诈检测方法简单集成。

    Oct, 2023

  • 应用图神经网络于欺诈检测中的一致性问题缓解

    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

  • 缓解图异常检测中的结构分布偏移

    针对图形异常检测中结构分布偏移的问题，本研究提出了一种名为图解构网络（GDN）的框架，通过限制异常特征的影响，同时从同质性中获益，来解决正常和异常节点之间的分类问题。在两个基准数据集上进行的广泛实验表明，该框架在异常检测中取得了显著的性能提升。

    Jan, 2024

  • 冲突和魔鬼：解开信息图神经网络在欺诈检测中的应用

    本文提出了一个基于 Graph Neural Networks 的欺诈检测方法，通过解耦拓扑和属性视图，并采用注意力机制自适应融合两个视图的方法，以解决现实场景中欺诈者采用伪装行为的问题，并在真实世界欺诈检测数据集上实现了显著的结果优于现有基线。

    Oct, 2022

  • 同质性相关：面向多视角图聚类的自适应混合图滤波器

    提出了一种自适应混合图滤波方法（AHGFC）用于多视图图聚类，通过设计图联合处理和聚合矩阵，以使图中的低频和高频信号更可区分，进而基于图联合聚合矩阵学习节点嵌入，实验证明该方法在同质和异质图上表现出色。

    Jan, 2024

  • 具有多样化光谱滤波的图神经网络

    利用多样化光谱滤波的框架 (DSF)，在光谱图神经网络的基础上，通过自动学习节点特定的滤波权重，平衡局部和全局信息以捕捉全局图特征和挖掘多样的局部模式，从而提高节点分类任务的模型性能。

    Dec, 2023