論文の概要: GAT-COBO: Cost-Sensitive Graph Neural Network for Telecom Fraud Detection

• arxiv url: http://arxiv.org/abs/2303.17334v1
• Date: Wed, 29 Mar 2023 07:02:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-31 13:28:13.539677
• Title: GAT-COBO: Cost-Sensitive Graph Neural Network for Telecom Fraud Detection
• Title（参考訳）: GAT-COBO:Telecom Fraud Detectionのためのコスト感性グラフニューラルネットワーク
• Authors: Xinxin Hu, Haotian Chen, Junjie Zhang, Hongchang Chen, Shuxin Liu, Xing Li, Yahui Wang, and Xiangyang Xue
• Abstract要約: グラフ不均衡問題に対するCOst-sensitive BOosting (GAT-COBO) を用いたグラフアテンションネットワークを提案する。 提案手法はグラフ不均衡問題に対して有効であり、最先端のGNNやGNNベースの不正検知器よりも優れている。 また,本モデルは,GNNにおける多種多様な過密問題の解決にも有用である。
• 参考スコア（独自算出の注目度）: 37.574237866502905
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Along with the rapid evolution of mobile communication technologies, such as 5G, there has been a drastically increase in telecom fraud, which significantly dissipates individual fortune and social wealth. In recent years, graph mining techniques are gradually becoming a mainstream solution for detecting telecom fraud. However, the graph imbalance problem, caused by the Pareto principle, brings severe challenges to graph data mining. This is a new and challenging problem, but little previous work has been noticed. In this paper, we propose a Graph ATtention network with COst-sensitive BOosting (GAT-COBO) for the graph imbalance problem. First, we design a GAT-based base classifier to learn the embeddings of all nodes in the graph. Then, we feed the embeddings into a well-designed cost-sensitive learner for imbalanced learning. Next, we update the weights according to the misclassification cost to make the model focus more on the minority class. Finally, we sum the node embeddings obtained by multiple cost-sensitive learners to obtain a comprehensive node representation, which is used for the downstream anomaly detection task. Extensive experiments on two real-world telecom fraud detection datasets demonstrate that our proposed method is effective for the graph imbalance problem, outperforming the state-of-the-art GNNs and GNN-based fraud detectors. In addition, our model is also helpful for solving the widespread over-smoothing problem in GNNs. The GAT-COBO code and datasets are available at https://github.com/xxhu94/GAT-COBO.
• Abstract（参考訳）: 5Gのようなモバイル通信技術の急速な進化とともに、通信詐欺が大幅に増加し、個人の財産や社会的富が著しく失われている。 近年では、グラフマイニング技術が徐々に、通信詐欺検出の主流となっている。 しかし、パレート原理によって引き起こされたグラフ不均衡問題は、グラフデータマイニングに深刻な課題をもたらす。 これは新しくて難しい問題ですが、以前の作業はほとんど注目されていません。 本稿では,グラフ不均衡問題に対するCOst-sensitive BOosting(GAT-COBO)を用いたグラフアテンションネットワークを提案する。 まず、GATベースのベース分類器を設計し、グラフ内の全てのノードの埋め込みを学習する。 そして、不均衡学習のために、よく設計されたコスト依存学習者に埋め込みをフィードする。 次に、モデルがマイノリティクラスにもっと焦点を合わせるように、誤分類コストに応じて重みを更新する。 最後に、複数のコスト依存学習者が獲得したノード埋め込みを要約し、下流異常検出タスクに使用される包括的ノード表現を得る。 2つの実世界の通信不正検出データセットの大規模な実験により,提案手法がグラフ不均衡問題に有効であることを示す。 さらに,本モデルは,gnnにおける過剰スムーシング問題の解決にも有用である。 GAT-COBOのコードとデータセットはhttps://github.com/xxhu94/GAT-COBOで公開されている。

関連論文リスト

• Mitigating Degree Bias in Signed Graph Neural Networks [5.042342963087923]
  SGNN(Signed Graph Neural Networks)は、ソースデータと典型的な集約手法による公平性問題に対処する。 本稿では,GNN から拡張された SGNN の公正性の調査を先駆的に進める。 署名されたグラフ内の次数バイアスの問題を識別し、SGNNに関する公平性問題に対する新たな視点を提供する。
  論文  参考訳（メタデータ） (2024-08-16T03:22:18Z)
• Fair Graph Neural Network with Supervised Contrastive Regularization [12.666235467177131]
  公平性を考慮したグラフニューラルネットワーク(GNN)の学習モデルを提案する。 提案手法は, コントラスト損失と環境損失を統合し, 精度と公正性を両立させる。
  論文  参考訳（メタデータ） (2024-04-09T07:49:05Z)
• Cost Sensitive GNN-based Imbalanced Learning for Mobile Social Network Fraud Detection [37.14877936257601]
  本稿では,コスト感性学習とグラフニューラルネットワークを創造的に組み合わせた,コスト感性グラフニューラルネットワーク(CSGNN)を提案する。 その結果、CSGNNはグラフ不均衡問題を効果的に解決し、最先端のアルゴリズムよりも優れた検出性能が得られることがわかった。
  論文  参考訳（メタデータ） (2023-03-28T01:43:32Z)
• Unlearnable Graph: Protecting Graphs from Unauthorized Exploitation [68.59161853439339]
  学習不可能なグラフの例を生成するための新しい手法を提案する。 Error-Minimizing Structure Poisoning (EMinS) モジュールを使ってグラフに妄想的だが知覚不可能なノイズを注入することにより、グラフを説明不能にすることができる。
  論文  参考訳（メタデータ） (2023-03-05T03:30:22Z)
• MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
  本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。 我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
  論文  参考訳（メタデータ） (2022-08-21T15:12:08Z)
• Certified Graph Unlearning [39.29148804411811]
  グラフ構造化データは実際にユビキタスであり、しばしばグラフニューラルネットワーク(GNN)を使用して処理される 我々は,GNNのemph認定グラフアンラーニングのための最初のフレームワークを紹介する。 ノード機能、エッジ、ノードアンラーニングの3つの異なるタイプのアンラーニング要求を検討する必要がある。
  論文  参考訳（メタデータ） (2022-06-18T07:41:10Z)
• 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)
• Stealing Links from Graph Neural Networks [72.85344230133248]
  最近、ニューラルネットワークはグラフニューラルネットワーク(GNN)として知られるグラフデータに拡張された。 優れたパフォーマンスのため、GNNは医療分析、レコメンダシステム、不正検出など多くのアプリケーションを持っている。 グラフ上でトレーニングされたGNNモデルの出力からグラフを盗む最初の攻撃を提案する。
  論文  参考訳（メタデータ） (2020-05-05T13:22:35Z)

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。