論文の概要: Identifying Linked Fraudulent Activities Using GraphConvolution Network
- arxiv url: http://arxiv.org/abs/2106.04513v1
- Date: Sat, 5 Jun 2021 09:56:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-09 15:44:31.784083
- Title: Identifying Linked Fraudulent Activities Using GraphConvolution Network
- Title(参考訳): GraphConvolution Network を用いたリンクフルート活動の同定
- Authors: Sharmin Pathan, Vyom Shrivastava
- Abstract要約: グラフ畳み込みネットワーク(GCN)を用いたリンクされた不正行為の同定手法を提案する。
GCNは、類似した試みのクラスタを特定するために不正なノード間の類似性を学び、学習するデータセットをはるかに小さくする必要がある。
提案手法は, ラベル伝搬コミュニティ検出と教師付きGBTアルゴリズムを, ソリューションの品質と時間の観点から比較した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we present a novel approach to identify linked fraudulent
activities or actors sharing similar attributes, using Graph Convolution
Network (GCN). These linked fraudulent activities can be visualized as graphs
with abstract concepts like relationships and interactions, which makes GCNs an
ideal solution to identify the graph edges which serve as links between
fraudulent nodes. Traditional approaches like community detection require
strong links between fraudulent attempts like shared attributes to find
communities and the supervised solutions require large amount of training data
which may not be available in fraud scenarios and work best to provide binary
separation between fraudulent and non fraudulent activities. Our approach
overcomes the drawbacks of traditional methods as GCNs simply learn
similarities between fraudulent nodes to identify clusters of similar attempts
and require much smaller dataset to learn. We demonstrate our results on linked
accounts with both strong and weak links to identify fraud rings with high
confidence. Our results outperform label propagation community detection and
supervised GBTs algorithms in terms of solution quality and computation time.
- Abstract(参考訳): 本稿では,グラフ畳み込みネットワーク(gcn)を用いて,関連する不正行為や類似属性を共有するアクタを特定する新しい手法を提案する。
これらのリンクされた不正行為は、関係やインタラクションのような抽象的な概念を持つグラフとして視覚化できるため、gcnsは不正なノード間のリンクとなるグラフエッジを特定するのに理想的なソリューションとなる。
コミュニティ検出のような従来の手法では、コミュニティを見つけるために共有属性のような不正な試みの強いリンクが必要であり、監督されたソリューションでは、不正なシナリオでは利用できない大量のトレーニングデータを必要とし、不正行為と非不正行為のバイナリ分離を提供するのに最適である。
提案手法は従来の手法の欠点を克服し,GCNは不正ノード間の類似性を学習し,類似した試みのクラスタを識別し,学習するデータセットをはるかに小さくする。
我々は,信頼度の高い不正行為を識別するために,強いリンクと弱いリンクの両方を持つリンクアカウント上で結果を示す。
提案手法は,ラベル伝搬のコミュニティ検出やgbtsアルゴリズムを,解の質と計算時間の観点から監視した。
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) - BOURNE: Bootstrapped Self-supervised Learning Framework for Unified
Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。
ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。
BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文 参考訳(メタデータ) (2023-07-28T00:44:57Z) - Transaction Fraud Detection via an Adaptive Graph Neural Network [64.9428588496749]
本稿では,アダプティブサンプリングとアグリゲーションに基づくグラフニューラルネットワーク(ASA-GNN)を提案する。
ノイズの多いノードをフィルタリングし、不正なノードを補うために、隣のサンプリング戦略を実行する。
3つのファイナンシャルデータセットの実験により,提案手法のASA-GNNは最先端のデータセットよりも優れていることが示された。
論文 参考訳(メタデータ) (2023-07-11T07:48:39Z) - Behavioral graph fraud detection in E-commerce [10.621640214806794]
本稿では,ユーザ行動の類似性に基づくトランザクションリンクを確立するための,行動バイオメトリクスに基づく新しい手法を提案する。
我々の知る限り、グラフ埋め込みアプリケーションで類似性に基づくソフトリンクが使用されるのはこれが初めてである。
本実験は,類似性に基づく行動グラフから学習した埋め込み特徴が,ベースライン不正検出モデルにおいて顕著な性能向上を実現していることを示す。
論文 参考訳(メタデータ) (2022-10-13T12:47:09Z) - Improving Fraud detection via Hierarchical Attention-based Graph Neural
Network [6.7713383844867385]
不正検出のためのグラフニューラルネットワーク(HA-GNN)は、カモフラージュに対する異なる関係にわたって重み付けされた隣接行列を組み込む。
ローカル/ロングレンジ構造と元のノード特徴から情報を集約してノード埋め込みを生成する。
実世界の3つのデータセットの実験は、最先端技術に対する我々のモデルの有効性を実証している。
論文 参考訳(メタデータ) (2022-02-12T16:27:16Z) - Deep Fraud Detection on Non-attributed Graph [61.636677596161235]
グラフニューラルネットワーク(GNN)は不正検出に強い性能を示している。
ラベル付きデータは大規模な産業問題、特に不正検出には不十分である。
よりラベルのないデータを活用するための新しいグラフ事前学習戦略を提案する。
論文 参考訳(メタデータ) (2021-10-04T03:42:09Z) - Relational Graph Neural Networks for Fraud Detection in a Super-App
environment [53.561797148529664]
スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。
我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。
以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
論文 参考訳(メタデータ) (2021-07-29T00:02:06Z) - Alleviating the Inconsistency Problem of Applying Graph Neural Network
to Fraud Detection [78.88163190021798]
不整合問題に対処するために、新しいGNNフレームワークである$mathsfGraphConsis$を導入します。
4つのデータセットの実証分析は、不正検出タスクにおいて不整合の問題が不可欠であることを示唆している。
我々はまた、SOTAモデルを実装したGNNベースの不正検出ツールボックスもリリースした。
論文 参考訳(メタデータ) (2020-05-01T21:43:58Z) - Learning to Cluster Faces via Confidence and Connectivity Estimation [136.5291151775236]
重複する部分グラフを多数必要とせず,完全に学習可能なクラスタリングフレームワークを提案する。
提案手法はクラスタリングの精度を大幅に向上させ,その上で訓練した認識モデルの性能を向上させるが,既存の教師付き手法に比べて桁違いに効率的である。
論文 参考訳(メタデータ) (2020-04-01T13:39:37Z)
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。