論文の概要: Self-supervised Graph Representation Learning for Black Market Account Detection

• arxiv url: http://arxiv.org/abs/2212.02679v1
• Date: Tue, 6 Dec 2022 00:42:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 17:35:54.951346
• Title: Self-supervised Graph Representation Learning for Black Market Account Detection
• Title（参考訳）: ブラックマーケットアカウント検出のための自己教師付きグラフ表現学習
• Authors: Zequan Xu, Lianyun Li, Hui Li, Qihang Sun, Shaofeng Hu, Rongrong Ji
• Abstract要約: ブラックマーケットアカウント(BMA)は詐欺に直接関与せず、より検出するのが困難である。 本稿では,10億人以上のユーザを持つ代表的MMMAであるWeChatで使用されているBMA検出システムSGRLについて述べる。 オンライン環境でSGRLをデプロイし、数十億規模のWeChatグラフ上のBMAを検出する。
• 参考スコア（独自算出の注目度）: 62.03978210281426
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nowadays, Multi-purpose Messaging Mobile App (MMMA) has become increasingly prevalent. MMMAs attract fraudsters and some cybercriminals provide support for frauds via black market accounts (BMAs). Compared to fraudsters, BMAs are not directly involved in frauds and are more difficult to detect. This paper illustrates our BMA detection system SGRL (Self-supervised Graph Representation Learning) used in WeChat, a representative MMMA with over a billion users. We tailor Graph Neural Network and Graph Self-supervised Learning in SGRL for BMA detection. The workflow of SGRL contains a pretraining phase that utilizes structural information, node attribute information and available human knowledge, and a lightweight detection phase. In offline experiments, SGRL outperforms state-of-the-art methods by 16.06%-58.17% on offline evaluation measures. We deploy SGRL in the online environment to detect BMAs on the billion-scale WeChat graph, and it exceeds the alternative by 7.27% on the online evaluation measure. In conclusion, SGRL can alleviate label reliance, generalize well to unseen data, and effectively detect BMAs in WeChat.
• Abstract（参考訳）: 近年,多目的メッセージングモバイルアプリ(MMMA)が普及している。 MMMAは詐欺師を惹きつけ、一部のサイバー犯罪者はブラックマーケットアカウント(BMA)を通じて詐欺を支援している。 詐欺師と比較すると、bmasは直接詐欺に関与しておらず、検出が難しい。 本稿では,10億人以上のユーザを持つ代表的MMMAであるWeChatで使用されているBMA検出システムSGRLについて述べる。 BMA検出のためのグラフニューラルネットワークとグラフ自己教師学習をSGRLで調整する。 SGRLのワークフローは、構造情報、ノード属性情報および利用可能な人間の知識を利用する事前学習フェーズと、軽量な検出フェーズを含む。 オフライン実験では、sgrlはオフライン評価で最先端の手法を16.06%-58.17%上回っている。 我々は、オンライン環境にSGRLをデプロイし、数十億規模のWeChatグラフ上のBMAを検出する。 結論として、SGRLはラベル依存を緩和し、目に見えないデータによく一般化し、WeChatのBMAを効果的に検出できる。

関連論文リスト

• Towards Realistic Evaluation of Commit Message Generation by Matching Online and Offline Settings [77.20838441870151]
  コミットメッセージ生成は、ソフトウェアエンジニアリングにおいて重要なタスクであり、正しく評価することが難しい。 オンラインメトリック - VCSに生成されたメッセージをコミットする前にユーザが導入する編集回数 - を使用して、オフライン実験用のメトリクスを選択します。 その結果,編集距離が最も高い相関を示すのに対し,BLEUやMETEORなどの類似度は低い相関を示すことがわかった。
  論文  参考訳（メタデータ） (2024-10-15T20:32:07Z)
• SignSGD with Federated Voting [69.06621279967865]
  SignSGD with majority voting (signSGD-MV) は1ビット量子化により通信コストを大幅に削減できる効果的な分散学習アルゴリズムである。 我々は、テキストフェデレート投票(signSGD-FV)を用いた新しいサインSGDを提案する。 連合投票の考え方は、学習可能な重量を利用して多数決を行うことである。 提案手法は, エッジデバイスが不均一なミニバッチサイズを使用する場合でも, 理論的収束を保証する。
  論文  参考訳（メタデータ） (2024-03-25T02:32:43Z)
• M4GT-Bench: Evaluation Benchmark for Black-Box Machine-Generated Text Detection [69.41274756177336]
  大規模言語モデル (LLMs) は様々なチャネルにまたがる機械生成テキスト (MGT) を前例のない急激な増加をもたらした。 このことは、その潜在的な誤用と社会的意味に関する正当な懸念を提起する。 本稿では,MGT-M4GT-Benchの多言語,マルチドメイン,マルチジェネレータコーパスに基づく新しいベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-02-17T02:50:33Z)
• Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
  MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。 ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。 4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2024-01-24T03:43:45Z)
• Crowdsourcing Fraud Detection over Heterogeneous Temporal MMMA Graph [5.448839082856454]
  我々は,MMMAの異種時間グラフ(HTG)上での不正検出をクラウドソーシングするための,CMTという新しい対照的な多視点学習手法を提案する。 我々は,代表的MMMA WeChatの業界規模のHTG上で,クラウドソーシング詐欺を検出するためにCMTをデプロイし,他の手法よりも優れています。
  論文  参考訳（メタデータ） (2023-08-05T05:35:40Z)
• MGTAB: A Multi-Relational Graph-Based Twitter Account Detection Benchmark [14.91754326735955]
  マルチリレーショナルグラフベースのTwitterアカウント検出ベンチマーク(MGTAB)を提案する。 MGTABには10,199名のエキスパートアノテートユーザと7種類の関係があり、高品質なアノテーションと多様な関係が保証されている。 実験の結果,グラフベースのアプローチは機能ベースのアプローチよりも一般的に有効であり,複数の関係を導入する際の性能が向上することがわかった。
  論文  参考訳（メタデータ） (2023-01-03T14:43:40Z)
• Fraudulent User Detection Via Behavior Information Aggregation Network (BIAN) On Large-Scale Financial Social Network [8.687460943376605]
  本稿では,ユーザ行動と他のユーザ機能を組み合わせた行動情報集約ネットワーク(BIAN)を提案する。 実世界の大規模金融ソーシャルネットワークデータセットであるDGraphの実験結果は、BIANがAUROCの10.2%の利益を得ていることを示している。
  論文  参考訳（メタデータ） (2022-11-04T08:33:06Z)
• LaundroGraph: Self-Supervised Graph Representation Learning for Anti-Money Laundering [5.478764356647437]
  LaundroGraphは、新しい教師付きグラフ表現学習アプローチである。 マネーロンダリング防止プロセスを支援するための洞察を提供する。 我々の知る限りでは、これはAML検出の文脈における最初の完全自己教師システムである。
  論文  参考訳（メタデータ） (2022-10-25T21:58:02Z)
• Detect Professional Malicious User with Metric Learning in Recommender Systems [39.26521260453495]
  電子商取引では、オンライン小売業者は通常プロの悪意のあるユーザー(PMU)に悩まされている。 専門家のMaliciousユーザ検出にMetric Learningを用いた教師なしマルチモーダル学習モデル(MDD)を提案する。
  論文  参考訳（メタデータ） (2022-05-19T16:32:36Z)
• 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)

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。