論文の概要: Heterogeneous Graph Neural Networks for Malicious Account Detection
- arxiv url: http://arxiv.org/abs/2002.12307v1
- Date: Thu, 27 Feb 2020 18:26:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-28 08:15:03.558740
- Title: Heterogeneous Graph Neural Networks for Malicious Account Detection
- Title(参考訳): 不正アカウント検出のためのヘテロジニアスグラフニューラルネットワーク
- Authors: Ziqi Liu, Chaochao Chen, Xinxing Yang, Jun Zhou, Xiaolong Li, Le Song
- Abstract要約: GEMは、悪意のあるアカウントを検出するための、最初の異種グラフニューラルネットワークである。
我々は、デバイス集約とアクティビティ集約という2つの基本的な弱点に基づいて、異種アカウントデバイスグラフから差別的埋め込みを学習する。
実験により、我々のアプローチは、時間とともに競合する手法と比較して、常に有望な結果が得られることが示された。
- 参考スコア(独自算出の注目度): 64.0046412312209
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present, GEM, the first heterogeneous graph neural network approach for
detecting malicious accounts at Alipay, one of the world's leading mobile
cashless payment platform. Our approach, inspired from a connected subgraph
approach, adaptively learns discriminative embeddings from heterogeneous
account-device graphs based on two fundamental weaknesses of attackers, i.e.
device aggregation and activity aggregation. For the heterogeneous graph
consists of various types of nodes, we propose an attention mechanism to learn
the importance of different types of nodes, while using the sum operator for
modeling the aggregation patterns of nodes in each type. Experiments show that
our approaches consistently perform promising results compared with competitive
methods over time.
- Abstract(参考訳): GEMは、世界でも有数のモバイルキャッシュレス決済プラットフォームであるAlipayで悪意のあるアカウントを検出するための、最初の異種グラフニューラルネットワークである。
我々のアプローチはコネクテッド・サブグラフのアプローチに触発され、攻撃者の2つの基本的な弱点、すなわちデバイスアグリゲーションとアクティビティアグリゲーションに基づいて、異種アカウント・デバイスグラフからの識別埋め込みを適応的に学習する。
様々な種類のノードからなる異種グラフに対して,各タイプのノードの集約パターンをモデル化するためにsum演算子を使用しながら,異なる種類のノードの重要性を学習するための注意機構を提案する。
実験の結果,我々のアプローチは,経時的に比較して有望な結果をもたらすことがわかった。
関連論文リスト
- Dynamic Relation-Attentive Graph Neural Networks for Fraud Detection [5.294604210205507]
グラフベースの不正検出手法は、このタスクを2つのクラス(詐欺または正常)の分類問題と見なしている。
グラフニューラルネットワーク (GNN) を用いて, 動的関係・係り受けアグリゲーション機構の提案により, この問題に対処する。
実験結果から,本手法のDRAGは,実世界のベンチマークデータセットにおいて,最先端の不正検出手法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-10-06T11:41:38Z) - Supervised Attention Using Homophily in Graph Neural Networks [26.77596449192451]
そこで本研究では,クラスラベルを共有するノード間の注目度を高めるための新しい手法を提案する。
提案手法をいくつかのノード分類データセット上で評価し,標準ベースラインモデルよりも高い性能を示す。
論文 参考訳(メタデータ) (2023-07-11T12:43:23Z) - Heterophily-Aware Graph Attention Network [58.99478502486377]
グラフニューラルネットワーク(GNN)はグラフ表現学習において顕著な成功を収めている。
既存のヘテロフィル性GNNは、各エッジのヘテロフィリのモデリングを無視する傾向にあり、これはヘテロフィリ問題に取り組む上でも不可欠である。
本稿では,局所分布を基礎となるヘテロフィリーとして完全に探索し,活用することで,新たなヘテロフィア対応グラフ注意ネットワーク(HA-GAT)を提案する。
論文 参考訳(メタデータ) (2023-02-07T03:21:55Z) - Hub-aware Random Walk Graph Embedding Methods for Classification [68.8204255655161]
ノード分類問題に特化して設計されたランダムウォークに基づく2つの新しいグラフ埋め込みアルゴリズムを提案する。
提案手法は,実世界のネットワークの埋め込みを訓練した3つの分類アルゴリズムの分類性能を解析して実験的に評価する。
論文 参考訳(メタデータ) (2022-09-15T20:41:18Z) - AHEAD: A Triple Attention Based Heterogeneous Graph Anomaly Detection
Approach [23.096589854894884]
AHEADは、エンコーダ-デコーダフレームワークに基づく教師なしグラフ異常検出アプローチである。
実世界の異種情報ネットワークにおけるAHEADの優位性を示す。
論文 参考訳(メタデータ) (2022-08-17T10:08:28Z) - Heterogeneous Graph Neural Networks using Self-supervised Reciprocally
Contrastive Learning [102.9138736545956]
不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。
我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。
この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
論文 参考訳(メタデータ) (2022-04-30T12:57:02Z) - Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised
Node Classification [59.06717774425588]
本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。
出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。
本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
論文 参考訳(メタデータ) (2021-07-27T19:47:53Z) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳(メタデータ) (2021-05-22T07:05:48Z) - Beyond Homophily in Graph Neural Networks: Current Limitations and
Effective Designs [28.77753005139331]
半教師付きノード分類タスクにおけるグラフニューラルネットワークのヘテロフィリーまたは低ホモフィリー下での表現力について検討する。
多くの人気のあるGNNは、この設定を一般化することができず、グラフ構造を無視したモデルよりも優れています。
ヘテロフィリーの下でのグラフ構造からの学習を促進する重要な設計の集合を同定する。
論文 参考訳(メタデータ) (2020-06-20T02:05:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。