AAAIMar, 2024

金融网络中的图异常检测的时态图网络

PDF
TL;DR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。
temporal graph networksfinancial anomaly detectionfraud detectiongraph neural networkdynamic financial systems
发现论文，激发创造
  • 基于时间图的动态图深度学习

    本文提出了一种称为 TGN 的新型深度学习框架，可以有效地在动态图形学中学习演化特征或连接。

    Jun, 2020

  • 动态图上不同时空图神经网络配置的分析

    本文通过定性分析时空依赖结构学习以及比较研究所选的 TGN 模型对节点和边缘预测任务的有效性，并进行了对最佳表现 TGN 模型不同变体的广泛消融研究，以提供有价值的关于动态图形分析设计和优化的洞察，同时将快照数据转换为基于事件的数据集并与目前最先进的模型进行了兼容，以实现节点回归任务。

    May, 2023

  • 动态推荐的时序图网络框架

    我们研究直接应用 Temporal Graph Networks（TGN）在推荐系统中，通过使用现实世界数据集和各种图形和历史嵌入方法，确认 TGN 在动态推荐场景中的适应性和有效性。

    Mar, 2024

  • 基于时空感知图变换器的交易欺诈检测

    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

  • 使用图神经网络检测上下文网络异常

    利用图神经网络（GNN）检测网络流量异常

    Dec, 2023

  • CaT-GNN: 通过因果时序图神经网络提升信用卡欺诈检测

    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

  • TTAGN: 经时交易聚合图网络用于以太坊钓鱼诈骗检测

    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。

    Apr, 2022

  • 使用图神经网络的图异常检测：当前状态与挑战

    本篇综述介绍了基于图神经网络的图形异常检测的最新进展，将这些方法总结为基于图形类型、异常类型和网络结构，并得出这是第一个基于 GNN 的综合检测图形异常方法的综述。

    Sep, 2022

  • 概率采样增强时空 GCN：以太坊网络中交易异常检测的可扩展框架

    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

  • 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

    本文关注加密货币网络上的欺诈检测，使用图形卷积网络处理这些图形。采用局部结构和平衡理论指导训练，使用基本矩阵捕捉局部拓扑信息，并在 GCN 聚合过程中使用它们，实现在时间窗口内的嵌入加权平均。实验结果表明，本文所提出模型优于文献中的模型。

    Nov, 2022