論文の概要: Spatio-Temporal Graph Representation Learning for Fraudster Group
Detection
- arxiv url: http://arxiv.org/abs/2201.02621v1
- Date: Fri, 7 Jan 2022 08:01:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-13 00:58:29.688996
- Title: Spatio-Temporal Graph Representation Learning for Fraudster Group
Detection
- Title（参考訳）: 詐欺師グループ検出のための時空間グラフ表現学習
- Authors: Saeedreza Shehnepoor, Roberto Togneri, Wei Liu, Mohammed Bennamoun
- Abstract要約: 企業は、偽レビューを書くために詐欺師グループを雇い、競合相手をデモしたり、自分のビジネスを宣伝したりすることができる。
そのようなグループを検出するには、詐欺師グループの静的ネットワークを表現するのが一般的なモデルである。
両レビュアーの表現学習におけるHIN-RNNの有効性を第一に活用することを提案する。
- 参考スコア（独自算出の注目度）: 50.779498955162644
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Motivated by potential financial gain, companies may hire fraudster groups to
write fake reviews to either demote competitors or promote their own
businesses. Such groups are considerably more successful in misleading
customers, as people are more likely to be influenced by the opinion of a large
group. To detect such groups, a common model is to represent fraudster groups'
static networks, consequently overlooking the longitudinal behavior of a
reviewer thus the dynamics of co-review relations among reviewers in a group.
Hence, these approaches are incapable of excluding outlier reviewers, which are
fraudsters intentionally camouflaging themselves in a group and genuine
reviewers happen to co-review in fraudster groups. To address this issue, in
this work, we propose to first capitalize on the effectiveness of the HIN-RNN
in both reviewers' representation learning while capturing the collaboration
between reviewers, we first utilize the HIN-RNN to model the co-review
relations of reviewers in a group in a fixed time window of 28 days. We refer
to this as spatial relation learning representation to signify the
generalisability of this work to other networked scenarios. Then we use an RNN
on the spatial relations to predict the spatio-temporal relations of reviewers
in the group. In the third step, a Graph Convolution Network (GCN) refines the
reviewers' vector representations using these predicted relations. These
refined representations are then used to remove outlier reviewers. The average
of the remaining reviewers' representation is then fed to a simple fully
connected layer to predict if the group is a fraudster group or not. Exhaustive
experiments of the proposed approach showed a 5% (4%), 12% (5%), 12% (5%)
improvement over three of the most recent approaches on precision, recall, and
F1-value over the Yelp (Amazon) dataset, respectively.
- Abstract（参考訳）: 経済的利益の可能性に動機づけられた企業は、偽レビューを書くために詐欺師グループを雇うかもしれない。
このようなグループは、大きなグループの意見に影響を受けやすいため、顧客を誤解させる上でかなり成功しています。
このようなグループを検出するために、一般的なモデルは、不正なグループの静的ネットワークを表現し、その結果、レビュアーの長手な振る舞いを見落とし、グループ内のレビュアー間のコリビュー関係のダイナミクスを見渡すことである。
したがって、これらのアプローチは、故意にグループ内をカモフラージュし、本物のレビュアーが詐欺師グループで共同レビューする詐欺師である、外れたレビュアーを除外することができない。
この問題に対処するために,本稿では,まず,レビュアー間のコラボレーションを捉えつつ,両レビュアーの表現学習におけるHIN-RNNの有効性を活かし,28日間の固定時間ウィンドウでレビュー担当者のコリビュー関係をモデル化するHIN-RNNを提案する。
我々はこれを空間的関係学習表現と呼び、この研究の汎用性を他のネットワーク化されたシナリオに示す。
次に,空間関係に関するrnnを用いて,グループ内のレビュアーの時空間関係を予測する。
第3のステップでは、グラフ畳み込みネットワーク(gcn)が、これらの予測関係を用いてレビュアーのベクトル表現を洗練する。
これらの洗練された表現は、外れ値レビュアーを削除するために使用される。
残りのレビュアーの表現の平均は、グループが詐欺師グループであるかどうかを予測するために、単純な完全連結層に供給される。
提案手法の実証実験では,Yelp(Amazon)データセットに対する最新の3つのアプローチの精度,リコール,F1値に対して,それぞれ5%(4%),12%(5%),12%(5%),12%(5%)の改善があった。
関連論文リスト
- VecAug: Unveiling Camouflaged Frauds with Cohort Augmentation for Enhanced Detection [26.35056300387743]
既存の不正検出方法は、グラフベースまたはシーケンスベースアプローチに依存している。
VecAugは、新しいコホート強化学習フレームワークである。
当社のフレームワークをeコマースプラットフォーム上に展開し、3つの不正検出データセットで評価する。
論文 参考訳（メタデータ） (2024-08-01T12:39:27Z) - Cluster-guided Contrastive Graph Clustering Network [53.16233290797777]
クラスタ誘導コントラストグラフクラスタリングネットワーク(CCGC)を提案する。
我々は、兄弟のサブネットワーク間で重みが共有されない特別なシームズエンコーダを設計することにより、グラフの2つのビューを構築する。
意味的な負のサンプルペアを構築するために、異なる高信頼度クラスタの中心を負のサンプルとみなす。
論文 参考訳（メタデータ） (2023-01-03T13:42:38Z) - AGRO: Adversarial Discovery of Error-prone groups for Robust
Optimization [109.91265884632239]
群分散ロバスト最適化(G-DRO)は、トレーニングデータに対する事前定義されたグループのセットに対する最悪の損失を最小限にすることができる。
本稿では、分散ロバスト最適化のためのAGRO -- Adversarial Group Discoveryを提案する。
AGROは、既知の最悪のグループの平均モデルパフォーマンスを8%向上させる。
論文 参考訳（メタデータ） (2022-12-02T00:57:03Z) - Are Your Reviewers Being Treated Equally? Discovering Subgroup
Structures to Improve Fairness in Spam Detection [13.26226951002133]
本稿では,スパム検出のための新しいサブグループ構造の定義,近似,利用の課題に対処する。
まず、レビューグラフ内のサブグループ構造を同定し、グループ内の離散精度を導出する。
3つの大規模なYelpレビューデータセットのベースラインに対する総合的な比較では、サブグループのメンバシップを識別し、グループフェアネスに活用できることが示されている。
論文 参考訳（メタデータ） (2022-04-24T02:19:22Z) - Group-disentangled Representation Learning with Weakly-Supervised
Regularization [13.311886256230814]
GroupVAEは、一貫性と非絡み合いの表現を強制するために、単純だが効果的なクルバック・リーバーの発散に基づく正規化である。
本研究では, グループ差分表現が, 公平な分類や, 再構築, 分類, 転帰学習といった3次元形状関連タスクなど, 下流タスクにおいて改善されることを実証する。
論文 参考訳（メタデータ） (2021-10-23T10:01:05Z) - Unsupervised Learning of Debiased Representations with Pseudo-Attributes [85.5691102676175]
教師なし方式で,単純かつ効果的な脱バイアス手法を提案する。
特徴埋め込み空間上でクラスタリングを行い、クラスタリング結果を利用して疑似属性を識別する。
次に,非偏り表現を学習するために,クラスタベースの新しい重み付け手法を用いる。
論文 参考訳（メタデータ） (2021-08-06T05:20:46Z) - HIN-RNN: A Graph Representation Learning Neural Network for Fraudster
Group Detection With No Handcrafted Features [42.30892608083864]
不正グループ検出のための異種情報ネットワーク(HIN)互換RNNであるHIN-RNNを提案する。
HIN-RNNは、各レビュアーのテキスト表現を学習するための統一アーキテクチャを提供する。
提案手法はYelp(リコールでは22%,F1値では12%)とAmazon(リコールでは4%,F1値では2%)に対して,最先端アプローチを著しく改善する上で有効であることが確認された。
論文 参考訳（メタデータ） (2021-05-25T01:48:28Z) - ScoreGAN: A Fraud Review Detector based on Multi Task Learning of
Regulated GAN with Data Augmentation [50.779498955162644]
生成・検出プロセスにおけるレビューテキストとレビューレーティングスコアの両方を利用した不正レビュー検出のためのScoreGANを提案する。
その結果,提案フレームワークは,既存の最先端フレームワークであるFakeGANをAPの7%,YelpとTripAdvisorのデータセットで5%上回る性能を示した。
論文 参考訳（メタデータ） (2020-06-11T16:15:06Z)
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。