論文の概要: Modelling graph dynamics in fraud detection with "Attention"
- arxiv url: http://arxiv.org/abs/2204.10614v1
- Date: Fri, 22 Apr 2022 10:17:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-25 13:26:17.582171
- Title: Modelling graph dynamics in fraud detection with "Attention"
- Title(参考訳): 注意」を用いた不正検出におけるグラフダイナミクスのモデル化
- Authors: Susie Xi Rao, Cl\'emence Lanfranchi, Shuai Zhang, Zhichao Han, Zitao
Zhang, Wei Min, Mo Cheng, Yinan Shan, Yang Zhao, Ce Zhang
- Abstract要約: 我々はDyHGN(Dynamic Heterogeneous Graph Neural Network)とその変種について,時間情報と異種情報の両方をキャプチャする。
この結果から,データ構造,分布,計算コストに応じて,不均一な入力を持つグラフ力学を「注意」でモデル化する必要があることが明らかとなった。
- 参考スコア(独自算出の注目度): 17.76716896749576
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: At online retail platforms, detecting fraudulent accounts and transactions is
crucial to improve customer experience, minimize loss, and avoid unauthorized
transactions. Despite the variety of different models for deep learning on
graphs, few approaches have been proposed for dealing with graphs that are both
heterogeneous and dynamic. In this paper, we propose DyHGN (Dynamic
Heterogeneous Graph Neural Network) and its variants to capture both temporal
and heterogeneous information. We first construct dynamic heterogeneous graphs
from registration and transaction data from eBay. Then, we build models with
diachronic entity embedding and heterogeneous graph transformer. We also use
model explainability techniques to understand the behaviors of DyHGN-* models.
Our findings reveal that modelling graph dynamics with heterogeneous inputs
need to be conducted with "attention" depending on the data structure,
distribution, and computation cost.
- Abstract(参考訳): オンライン小売プラットフォームでは、不正アカウントやトランザクションの検出が顧客エクスペリエンスの向上、損失の最小化、不正取引の回避に不可欠である。
グラフ上のディープラーニングのさまざまなモデルにもかかわらず、不均一でダイナミックなグラフを扱うためのアプローチはほとんど提案されていない。
本稿では,DyHGN(Dynamic Heterogeneous Graph Neural Network)とその変種について,時間情報と異種情報の両方をキャプチャする。
まず、ebayの登録とトランザクションデータから動的ヘテロジニアスグラフを構築する。
次に,双対エンティティ埋め込みと不均一グラフトランスフォーマによるモデルを構築する。
また,dyhgn-*モデルの挙動を理解するためにモデル説明可能性手法を用いる。
この結果から,データ構造,分布,計算コストに応じて,不均一な入力を持つグラフ力学を「注意」でモデル化する必要があることがわかった。
関連論文リスト
- Neural Scaling Laws on Graphs [57.680916564549975]
モデルおよびデータの観点から,グラフ上のニューラルスケーリング法則について検討する。
モデルスケーリングでは,スケール法が崩壊する現象を調査し,オーバーフィッティングを潜在的な理由として同定する。
データスケーリングについては、グラフのサイズが極めて不規則であるため、スケーリング法則においてグラフデータのボリュームを効果的に測定することはできないことを示唆する。
論文 参考訳(メタデータ) (2024-02-03T06:17:21Z) - Graph ODE with Factorized Prototypes for Modeling Complicated
Interacting Dynamics [37.53887977578548]
本稿では,その問題に対処する因子化プロトタイプ(GOAT)を用いたグラフODE(Graph ODE)を提案する。
GOATはコンテキスト知識から分解されたプロトタイプを連続グラフODEフレームワークに組み込んでいる。
モデル全体は、その可能性の最大化のために、エンドツーエンドの変分推論フレームワークを使用して最適化される。
論文 参考訳(メタデータ) (2023-11-11T12:04:47Z) - Generated Graph Detection [27.591612297045817]
グラフ生成モデルは、データ分散近似とデータ拡張にますます効果的になる。
4つの分類シナリオにおいて、洗練されたモデルの集合とその性能を調査する最初のフレームワークを提案する。
私たちのソリューションは、生成されたグラフの誤用を抑制するのに十分な期間維持できます。
論文 参考訳(メタデータ) (2023-06-13T13:18:04Z) - FairGen: Towards Fair Graph Generation [76.34239875010381]
フェアネスを考慮したグラフ生成モデルFairGenを提案する。
我々のモデルはラベルインフォームドグラフ生成モジュールと公正表現学習モジュールを共同で訓練する。
Webベースのグラフを含む7つの実世界のデータセットの実験結果は、FairGenが最先端のグラフ生成モデルと同等のパフォーマンスを得ることを示した。
論文 参考訳(メタデータ) (2023-03-30T23:30:42Z) - Latent Graph Inference using Product Manifolds [0.0]
遅延グラフ学習のための離散微分可能グラフモジュール(dDGM)を一般化する。
我々の新しいアプローチは、幅広いデータセットでテストされ、元のdDGMモデルよりも優れています。
論文 参考訳(メタデータ) (2022-11-26T22:13:06Z) - 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) - A Deep Latent Space Model for Graph Representation Learning [10.914558012458425]
本稿では,従来の潜時変動に基づく生成モデルをディープラーニングフレームワークに組み込むために,有向グラフのための深潜時空間モデル(DLSM)を提案する。
提案モデルは,階層的変動型オートエンコーダアーキテクチャによって階層的に接続されるグラフ畳み込みネットワーク(GCN)エンコーダとデコーダから構成される。
実世界のデータセットにおける実験により,提案モデルがリンク予測とコミュニティ検出の両タスクにおける最先端のパフォーマンスを達成することを示す。
論文 参考訳(メタデータ) (2021-06-22T12:41:19Z) - GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。
具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。
エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
論文 参考訳(メタデータ) (2021-06-05T07:07:52Z) - TCL: Transformer-based Dynamic Graph Modelling via Contrastive Learning [87.38675639186405]
我々は,動的に進化するグラフを連続的に扱う,TCLと呼ばれる新しいグラフニューラルネットワークアプローチを提案する。
我々の知る限りでは、これは動的グラフ上の表現学習にコントラスト学習を適用する最初の試みである。
論文 参考訳(メタデータ) (2021-05-17T15:33:25Z) - Disentangled Dynamic Graph Deep Generation [10.934180735890727]
本稿では,動的グラフ生成を実現するための因子化深部生成モデルの新たな枠組みを提案する。
ノード,エッジ,静的,動的因子間の条件独立性を特徴付けるために,様々な生成モデルを提案する。
複数のデータセットの実験では、提案したモデルの有効性が示されている。
論文 参考訳(メタデータ) (2020-10-14T17:52:49Z) - Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。
グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。
本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
論文 参考訳(メタデータ) (2020-02-20T10:11:28Z)
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。