Fugu-MT 論文翻訳(概要): Label Information Enhanced Fraud Detection against Low Homophily in Graphs

論文の概要: Label Information Enhanced Fraud Detection against Low Homophily in Graphs

arxiv url: http://arxiv.org/abs/2302.10407v1
Date: Tue, 21 Feb 2023 02:42:28 GMT
ステータス: 処理完了
システム内更新日: 2023-02-22 16:44:15.769048
Title: Label Information Enhanced Fraud Detection against Low Homophily in Graphs
Title（参考訳）: ラベル情報によるグラフの低ホモフィリーに対する不正検出
Authors: Yuchen Wang, Jinghui Zhang, Zhengjie Huang, Weibin Li, Shikun Feng, Ziheng Ma, Yu Sun, Dianhai Yu, Fang Dong, Jiahui Jin, Beilun Wang and Junzhou Luo
Abstract要約: 本稿では,この課題に対処するために,新たなグループ集約強化TrAnsformerであるGAGAを提案する。 GAGAは、Anonymousの2つのトレンドのパブリックデータセットと実世界の産業データセットで、他のグラフベースの不正検知器を最大24.39%上回っている。
参考スコア（独自算出の注目度）: 24.170070133328277
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Node classification is a substantial problem in graph-based fraud detection. Many existing works adopt Graph Neural Networks (GNNs) to enhance fraud detectors. While promising, currently most GNN-based fraud detectors fail to generalize to the low homophily setting. Besides, label utilization has been proved to be significant factor for node classification problem. But we find they are less effective in fraud detection tasks due to the low homophily in graphs. In this work, we propose GAGA, a novel Group AGgregation enhanced TrAnsformer, to tackle the above challenges. Specifically, the group aggregation provides a portable method to cope with the low homophily issue. Such an aggregation explicitly integrates the label information to generate distinguishable neighborhood information. Along with group aggregation, an attempt towards end-to-end trainable group encoding is proposed which augments the original feature space with the class labels. Meanwhile, we devise two additional learnable encodings to recognize the structural and relational context. Then, we combine the group aggregation and the learnable encodings into a Transformer encoder to capture the semantic information. Experimental results clearly show that GAGA outperforms other competitive graph-based fraud detectors by up to 24.39% on two trending public datasets and a real-world industrial dataset from Anonymous. Even more, the group aggregation is demonstrated to outperform other label utilization methods (e.g., C&S, BoT/UniMP) in the low homophily setting.
Abstract（参考訳）: ノード分類はグラフベースの不正検出において大きな問題である。既存の多くの研究は、不正検出を強化するためにグラフニューラルネットワーク(GNN)を採用している。有望ではあるが、現在ほとんどのGNNベースの不正検知器は、低いホモフィリー設定に一般化できない。また,ラベル利用がノード分類問題の重要な要因であることが証明されている。しかし、グラフのホモフィリが低いため、不正検出タスクでは効果が低いことがわかりました。本稿では,この課題に対処するために,グループ集約強化TrAnsformerのGAGAを提案する。具体的には、群アグリゲーションは低いホモフィイ問題に対処するためのポータブルな方法を提供する。このような集約はラベル情報を明示的に統合して識別可能な近傍情報を生成する。グループアグリゲーションとともに、クラスラベルで元の特徴空間を拡大するエンドツーエンドのトレーニング可能なグループエンコーディングの試みが提案されている。一方、構造的および関係的コンテキストを認識するために、2つの学習可能なエンコーディングを考案する。次に,グループアグリゲーションと学習可能なエンコーディングを変換器エンコーダに組み合わせ,意味情報をキャプチャする。実験の結果、GAGAはAnonymousの2つのトレンドの公開データセットと実世界の産業データセットで、他のグラフベースの不正検知器よりも最大24.39%優れていた。さらに、グループアグリゲーションは、低ホモフィリー環境で他のラベル利用方法(例えば、C&S、BoT/UniMP)より優れていることが示される。

関連論文リスト

LOSS-GAT: Label Propagation and One-Class Semi-Supervised Graph Attention Network for Fake News Detection [2.6396287656676725]
Loss-GATは、フェイクニュース検出のための半教師付き一級アプローチである。我々は、ニュースを関心(フェイク)と非関心(リアル)の2つのグループに分類するために、2段階のラベル伝搬アルゴリズムを用いる。
論文参考訳（メタデータ） (2024-02-13T12:02:37Z)
Revisiting Graph-Based Fraud Detection in Sight of Heterophily and Spectrum [26.62679288320554]
グラフベースの不正検出(GFD)は、半教師付きノードバイナリ分類タスクとして困難なものと見なすことができる。本稿では,セミ教師付きGNNベースの詐欺検知器SEC-GFDを提案する。 4つの実世界の不正検出データセットの総合的な実験結果は、SEC-GFDが他の競合グラフベースの不正検出よりも優れていることを示している。
論文参考訳（メタデータ） (2023-12-11T15:18:51Z)
CONVERT:Contrastive Graph Clustering with Reliable Augmentation [110.46658439733106]
信頼性オーグメンテーション(CONVERT)を用いたContrastiVe Graph ClustEringネットワークを提案する。本手法では,データ拡張を可逆的パーターブ・リカバリネットワークにより処理する。セマンティクスの信頼性をさらに保証するために、ネットワークを制約する新たなセマンティクス損失が提示される。
論文参考訳（メタデータ） (2023-08-17T13:07:09Z)
Graph Anomaly Detection at Group Level: A Topology Pattern Enhanced Unsupervised Approach [25.383587951822964]
本稿では,グループレベルグラフ異常検出(Gr-GAD)と呼ばれる新しいタスクのための教師なしフレームワークを提案する。提案フレームワークはまず,長距離不整合を捕捉して潜在的な異常グループに属するアンカーノードを特定するために,グラフオートエンコーダ(GAE)の変種を用いる。実世界のデータセットと合成データセットの両方の実験結果から,提案フレームワークは異常群を同定および局所化する上で優れた性能を示すことが示された。
論文参考訳（メタデータ） (2023-08-02T10:22:04Z)
Pseudo Contrastive Learning for Graph-based Semi-supervised Learning [67.37572762925836]
Pseudo Labelingは、グラフニューラルネットワーク(GNN)の性能向上に使用されるテクニックである。我々はPseudo Contrastive Learning(PCL)と呼ばれるGNNのための一般的なフレームワークを提案する。
論文参考訳（メタデータ） (2023-02-19T10:34:08Z)
Informative Pseudo-Labeling for Graph Neural Networks with Few Labels [12.83841767562179]
グラフニューラルネットワーク(GNN)は、グラフ上の半教師付きノード分類のための最先端の結果を得た。非常に少数のレーベルでGNNを効果的に学習する方法の課題は、まだ解明されていない。我々は、非常に少ないラベルを持つGNNの学習を容易にするために、InfoGNNと呼ばれる新しい情報的擬似ラベルフレームワークを提案する。
論文参考訳（メタデータ） (2022-01-20T01:49:30Z)
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)
Unified Robust Training for Graph NeuralNetworks against Label Noise [12.014301020294154]
半監督設定でノイズの多いラベルをグラフ上で学習するための新しいフレームワークである UnionNET を提案します。提案手法は,GNNを頑健に訓練し,ラベル修正を同時に行うための統一的なソリューションを提供する。
論文参考訳（メタデータ） (2021-03-05T01:17:04Z)
Exploiting Heterogeneous Graph Neural Networks with Latent Worker/Task Correlation Information for Label Aggregation in Crowdsourcing [72.34616482076572]
クラウドソーシングは専門家ではなく、専門家でない労働者からラベルを集めるのに便利であることから、多くの注目を集めている。群集ラベルを集約するグラフニューラルネットワークに基づく新しいフレームワークを提案する。
論文参考訳（メタデータ） (2020-10-25T10:12:37Z)
On the Equivalence of Decoupled Graph Convolution Network and Label Propagation [60.34028546202372]
いくつかの研究は、カップリングがデカップリングよりも劣っていることを示している。有効性にもかかわらず、疎結合GCNの作用機構はよく理解されていない。本稿では,分離GCNの欠陥を克服する適応的学習法(PTA)を提案する。
論文参考訳（メタデータ） (2020-10-23T13:57:39Z)
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。