Fugu-MT 論文翻訳(概要): Graph Neural Networks in Real-Time Fraud Detection with Lambda Architecture

論文の概要: Graph Neural Networks in Real-Time Fraud Detection with Lambda Architecture

arxiv url: http://arxiv.org/abs/2110.04559v1
Date: Sat, 9 Oct 2021 12:57:18 GMT
ステータス: 処理完了
システム内更新日: 2021-10-16 23:24:32.322665
Title: Graph Neural Networks in Real-Time Fraud Detection with Lambda Architecture
Title（参考訳）: lambdaアーキテクチャを用いたリアルタイム不正検出におけるグラフニューラルネットワーク
Authors: Mingxuan Lu, Zhichao Han, Zitao Zhang, Yang Zhao, Yinan Shan
Abstract要約: まず,グラフ構築のためのDDS (Directed Dynamic Snapshot) リンク設計と,グラフニューラルネットワークの埋め込みによる効果的な推論のためのLambda Neural Networks (LNN) アーキテクチャを提案する。実験の結果,グラフ上のLNNはベースラインモデルを大幅に上回り,リアルタイム不正検出には計算効率がよいことがわかった。
参考スコア（独自算出の注目度）: 14.435076554010985
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Transaction checkout fraud detection is an essential risk control components for E-commerce marketplaces. In order to leverage graph networks to decrease fraud rate efficiently and guarantee the information flow passed through neighbors only from the past of the checkouts, we first present a novel Directed Dynamic Snapshot (DDS) linkage design for graph construction and a Lambda Neural Networks (LNN) architecture for effective inference with Graph Neural Networks embeddings. Experiments show that our LNN on DDS graph, outperforms baseline models significantly and is computational efficient for real-time fraud detection.
Abstract（参考訳）: 取引チェックアウト詐欺検出は、Eコマース市場にとって重要なリスクコントロールコンポーネントである。まず,グラフ構築のための動的スナップショット(DDS)リンク設計と,グラフニューラルネットワークの埋め込みによる効果的な推論のためのLambda Neural Networks(LNN)アーキテクチャを提案する。実験の結果,DDSグラフ上でのLNNはベースラインモデルを大幅に上回り,リアルタイム不正検出には計算効率がよいことがわかった。

関連論文リスト

Advanced Financial Fraud Detection Using GNN-CL Model [13.5240775562349]
本稿では,金融不正検出の分野において,革新的なGNN-CLモデルを提案する。グラフニューラルネットワーク(gnn)、畳み込みニューラルネットワーク(cnn)、長期記憶(LSTM)の利点を組み合わせる。本稿では,マルチ層パーセプトロン(MLPS)を用いてノードの類似性を推定する。
論文参考訳（メタデータ） (2024-07-09T03:59:06Z)
Applying Self-supervised Learning to Network Intrusion Detection for Network Flows with Graph Neural Network [8.318363497010969]
本稿では,教師なし型ネットワークフローの特定のためのGNNの適用について検討する。我々の知る限り、NIDSにおけるネットワークフローのマルチクラス分類のための最初のGNNベースの自己教師方式である。
論文参考訳（メタデータ） (2024-03-03T12:34:13Z)
Transaction Fraud Detection via Spatial-Temporal-Aware Graph Transformer [5.043422340181098]
本稿では,トランザクション不正検出問題に対する空間時間認識グラフ変換器(STA-GT)と呼ばれる新しいグラフニューラルネットワークを提案する。具体的には、時間的依存関係を捕捉し、それをグラフニューラルネットワークフレームワークに組み込むための時間的符号化戦略を設計する。ローカルおよびグローバルな情報を学ぶためのトランスフォーマーモジュールを導入する。
論文参考訳（メタデータ） (2023-07-11T08:56:53Z)
Influencer Detection with Dynamic Graph Neural Networks [56.1837101824783]
インフルエンサー検出のための動的グラフニューラルネットワーク(GNN)の構成について検討する。 GNNにおける深層多面的注意と時間特性の符号化が性能を著しく向上させることを示す。
論文参考訳（メタデータ） (2022-11-15T13:00:25Z)
Anomal-E: A Self-Supervised Network Intrusion Detection System based on Graph Neural Networks [0.0]
本稿では,自己教師型ネットワーク侵入と異常検出のためのグラフニューラルネットワーク(GNN)の応用について検討する。 GNNは、グラフ構造を学習に組み込んだグラフベースのデータのためのディープラーニングアプローチである。本稿では, エッジ特徴とグラフトポロジ構造を利用したGNNによる侵入・異常検出手法であるAnomal-Eを提案する。
論文参考訳（メタデータ） (2022-07-14T10:59:39Z)
Edge Graph Neural Networks for Massive MIMO Detection [15.970981766599035]
無線通信システムにおいて、MIMO(Massive Multiple-Input Multiple-Out)検出は重要な問題である。従来のBreief Propagation(BP)検出器はループグラフでは性能が良くないが、最近のグラフニューラルネットワーク(GNN)ベースの手法はBPの欠点を克服し、優れた性能を実現することができる。
論文参考訳（メタデータ） (2022-05-22T08:01:47Z)
BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。 BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
論文参考訳（メタデータ） (2021-12-13T17:35:54Z)
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)
An Introduction to Robust Graph Convolutional Networks [71.68610791161355]
本論文では, 誤りのある単一ビューあるいは複数ビューのデータに対して, 新たなロバストグラフ畳み込みニューラルネットワークを提案する。従来のグラフ畳み込みネットワークにAutoencodersを介して余分なレイヤを組み込むことで、典型的なエラーモデルを明示的に特徴付けおよび処理します。
論文参考訳（メタデータ） (2021-03-27T04:47:59Z)
Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文参考訳（メタデータ） (2020-10-06T01:20:27Z)
Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。