論文の概要: Transaction Fraud Detection via Spatial-Temporal-Aware Graph Transformer
- arxiv url: http://arxiv.org/abs/2307.05121v1
- Date: Tue, 11 Jul 2023 08:56:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-12 15:43:56.352572
- Title: Transaction Fraud Detection via Spatial-Temporal-Aware Graph Transformer
- Title(参考訳): 時空間対応グラフ変換器によるトランザクション不正検出
- Authors: Yue Tian, Guanjun Liu
- Abstract要約: 本稿では,トランザクション不正検出問題に対する空間時間認識グラフ変換器(STA-GT)と呼ばれる新しいグラフニューラルネットワークを提案する。
具体的には、時間的依存関係を捕捉し、それをグラフニューラルネットワークフレームワークに組み込むための時間的符号化戦略を設計する。
ローカルおよびグローバルな情報を学ぶためのトランスフォーマーモジュールを導入する。
- 参考スコア(独自算出の注目度): 5.043422340181098
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: How to obtain informative representations of transactions and then perform
the identification of fraudulent transactions is a crucial part of ensuring
financial security. Recent studies apply Graph Neural Networks (GNNs) to the
transaction fraud detection problem. Nevertheless, they encounter challenges in
effectively learning spatial-temporal information due to structural
limitations. Moreover, few prior GNN-based detectors have recognized the
significance of incorporating global information, which encompasses similar
behavioral patterns and offers valuable insights for discriminative
representation learning. Therefore, we propose a novel heterogeneous graph
neural network called Spatial-Temporal-Aware Graph Transformer (STA-GT) for
transaction fraud detection problems. Specifically, we design a temporal
encoding strategy to capture temporal dependencies and incorporate it into the
graph neural network framework, enhancing spatial-temporal information modeling
and improving expressive ability. Furthermore, we introduce a transformer
module to learn local and global information. Pairwise node-node interactions
overcome the limitation of the GNN structure and build up the interactions with
the target node and long-distance ones. Experimental results on two financial
datasets compared to general GNN models and GNN-based fraud detectors
demonstrate that our proposed method STA-GT is effective on the transaction
fraud detection task.
- Abstract(参考訳): 金融安全確保の鍵となるのは、取引の情報表現を取得して不正取引の識別を行う方法である。
近年,トランザクション不正検出問題にグラフニューラルネットワーク(GNN)を適用している。
それでも、構造的制約によって空間的時間的情報を効果的に学習する際の課題に直面する。
さらに、GNNに基づく従来の検出器では、同様の行動パターンを包含し、識別表現学習に有用な洞察を提供するグローバル情報の導入の重要性を認識していない。
そこで本研究では,トランザクション不正検出問題に対するSTA-GT(Spatial-Temporal-Aware Graph Transformer)と呼ばれる異種グラフニューラルネットワークを提案する。
具体的には,時間的依存関係をキャプチャし,グラフニューラルネットワークフレームワークに組み込む時間的符号化戦略を設計し,時間的情報モデリングを強化し,表現能力を向上させる。
さらに,ローカルおよびグローバルな情報学習のためのトランスフォーマーモジュールを導入する。
対向ノード-ノード間相互作用はgnn構造の制限を克服し、対象ノードと長距離ノードとの相互作用を構築する。
一般的なGNNモデルとGNNベースの不正検知器と比較して,2つの財務データセットの実験結果から,提案手法がトランザクション不正検出タスクに有効であることを実証した。
関連論文リスト
- Financial Fraud Detection using Jump-Attentive Graph Neural Networks [0.0]
金融サービス部門の大部分は、トランザクションデータをモデル化するために、XGBoost、Random Forest、ニューラルネットワークなど、さまざまな機械学習アルゴリズムを使用している。
非類似ノードからのカモフラージュ検出と重要な特徴情報の保存に有効な効率的な近傍サンプリング手法を用いた新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-11-07T05:12:51Z) - Advanced Financial Fraud Detection Using GNN-CL Model [13.5240775562349]
本稿では,金融不正検出の分野において,革新的なGNN-CLモデルを提案する。
グラフニューラルネットワーク(gnn)、畳み込みニューラルネットワーク(cnn)、長期記憶(LSTM)の利点を組み合わせる。
本稿では,マルチ層パーセプトロン(MLPS)を用いてノードの類似性を推定する。
論文 参考訳(メタデータ) (2024-07-09T03:59:06Z) - Utilizing GANs for Fraud Detection: Model Training with Synthetic
Transaction Data [0.0]
本稿では,GAN(Generative Adversarial Networks)の不正検出への応用について検討する。
GANは複雑なデータ分散のモデリングにおいて有望であり、異常検出のための効果的なツールである。
この研究は、ディープラーニング技術によるトランザクションセキュリティの強化におけるGANの可能性を実証している。
論文 参考訳(メタデータ) (2024-02-15T09:48:20Z) - Transaction Fraud Detection via an Adaptive Graph Neural Network [64.9428588496749]
本稿では,アダプティブサンプリングとアグリゲーションに基づくグラフニューラルネットワーク(ASA-GNN)を提案する。
ノイズの多いノードをフィルタリングし、不正なノードを補うために、隣のサンプリング戦略を実行する。
3つのファイナンシャルデータセットの実験により,提案手法のASA-GNNは最先端のデータセットよりも優れていることが示された。
論文 参考訳(メタデータ) (2023-07-11T07:48:39Z) - DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。
GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。
また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文 参考訳(メタデータ) (2023-05-22T10:29:52Z) - 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) - Relational Graph Neural Networks for Fraud Detection in a Super-App
environment [53.561797148529664]
スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。
我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。
以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
論文 参考訳(メタデータ) (2021-07-29T00:02:06Z) - How effective are Graph Neural Networks in Fraud Detection for Network
Data? [0.0]
グラフベースニューラルネットワーク(GNN)は、ノード(およびグラフ)の表現を学習するために作成された最近のモデルである。
金融詐欺は社会経済的関連性や、正の(詐欺)と負の(定期的な)取引(英語版)の間の極端な不均衡など、特定の課題を提示することで際立っている。
この2つの課題を考慮し,既存のネットワーク不正検出手法の評価実験を行った。
論文 参考訳(メタデータ) (2021-05-30T15:17:13Z) - Information Obfuscation of Graph Neural Networks [96.8421624921384]
本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。
本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
論文 参考訳(メタデータ) (2020-09-28T17:55:04Z) - Graph Backdoor [53.70971502299977]
GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。
GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。
トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
論文 参考訳(メタデータ) (2020-06-21T19:45:30Z)
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。