論文の概要: 2SFGL: A Simple And Robust Protocol For Graph-Based Fraud Detection
- arxiv url: http://arxiv.org/abs/2310.08335v1
- Date: Thu, 12 Oct 2023 13:48:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-14 11:08:43.293317
- Title: 2SFGL: A Simple And Robust Protocol For Graph-Based Fraud Detection
- Title（参考訳）: 2SFGL:グラフベースの不正検出のためのシンプルでロバストなプロトコル
- Authors: Zhirui Pan, Guangzhong Wang, Zhaoning Li, Lifeng Chen, Yang Bian,
Zhongyuan Lai
- Abstract要約: フェデレートグラフ学習(Federated Graph Learning, 2SFGL)のための新しい2段階アプローチを提案する。
2SFGLはマルチパーティグラフの仮想融合を伴い、もう1つは仮想グラフのモデルトレーニングと推論である。
我々は,FraudAmazonDatasetとFraudYelpDatasetに基づいて,従来の不正検出タスクにおけるフレームワークの評価を行った。
- 参考スコア（独自算出の注目度）: 1.6427658855248812
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Financial crime detection using graph learning improves financial safety and
efficiency. However, criminals may commit financial crimes across different
institutions to avoid detection, which increases the difficulty of detection
for financial institutions which use local data for graph learning. As most
financial institutions are subject to strict regulations in regards to data
privacy protection, the training data is often isolated and conventional
learning technology cannot handle the problem. Federated learning (FL) allows
multiple institutions to train a model without revealing their datasets to each
other, hence ensuring data privacy protection. In this paper, we proposes a
novel two-stage approach to federated graph learning (2SFGL): The first stage
of 2SFGL involves the virtual fusion of multiparty graphs, and the second
involves model training and inference on the virtual graph. We evaluate our
framework on a conventional fraud detection task based on the
FraudAmazonDataset and FraudYelpDataset. Experimental results show that
integrating and applying a GCN (Graph Convolutional Network) with our 2SFGL
framework to the same task results in a 17.6\%-30.2\% increase in performance
on several typical metrics compared to the case only using FedAvg, while
integrating GraphSAGE with 2SFGL results in a 6\%-16.2\% increase in
performance compared to the case only using FedAvg. We conclude that our
proposed framework is a robust and simple protocol which can be simply
integrated to pre-existing graph-based fraud detection methods.
- Abstract（参考訳）: グラフ学習を用いた金融犯罪検出は、金融安全と効率を向上させる。
しかし、犯罪者は異なる機関間で金融犯罪を犯し、グラフ学習にローカルデータを使用する金融機関の検知が困難になる可能性がある。
多くの金融機関はデータプライバシ保護に関して厳格な規制を受けているため、トレーニングデータはしばしば孤立しており、従来の学習技術では問題に対処できない。
フェデレートラーニング(FL)により、複数の機関がデータセットを互いに公開することなくモデルをトレーニングできるため、データのプライバシ保護が保証される。
本稿では,フェデレートグラフ学習(Federated Graph Learning, 2SFGL): 2SFGLの第一段階はマルチパーティグラフの仮想融合であり,第二段階は仮想グラフのモデルトレーニングと推論である。
fraud amazondataset と fraudyelpdataset に基づいて,従来の不正検出タスクでフレームワークを評価する。
実験結果から,GCN(Graph Convolutional Network)を2SFGLフレームワークと同一タスクに統合して適用すると,FedAvgのみを使用する場合と比較して17.6\%-30.2\%,GraphSAGEを2SFGLに統合した場合はFedAvgのみを使用する場合に比べてパフォーマンスが6\%-16.2\%向上することがわかった。
提案するフレームワークは,既存のグラフベースの不正検出手法に簡単に統合可能な,堅牢でシンプルなプロトコルである。
関連論文リスト
- Privacy-Preserving Graph-Based Machine Learning with Fully Homomorphic Encryption for Collaborative Anti-Money Laundering [4.1964397179107085]
本研究では、協調機械学習のための新しいプライバシー保護手法を提案する。
プライバシと規制の遵守を維持しながら、機関や国境を越えたセキュアなデータ共有を容易にする。
この研究は2つの重要なプライバシー保護パイプラインに貢献している。
論文 参考訳（メタデータ） (2024-11-05T09:13:53Z) - Graph Transductive Defense: a Two-Stage Defense for Graph Membership Inference Attacks [50.19590901147213]
グラフニューラルネットワーク(GNN)は、さまざまな現実世界のアプリケーションにおいて、強力なグラフ学習機能を提供する。
GNNは、メンバーシップ推論攻撃(MIA)を含む敵攻撃に対して脆弱である
本稿では,グラフトランスダクティブ学習特性に合わせて,グラフトランスダクティブ・ディフェンス(GTD)を提案する。
論文 参考訳（メタデータ） (2024-06-12T06:36:37Z) - DSHGT: Dual-Supervisors Heterogeneous Graph Transformer -- A pioneer study of using heterogeneous graph learning for detecting software vulnerabilities [12.460745260973837]
脆弱性検出はソフトウェアセキュリティにおいて重要な問題であり、学術と産業の両方から注目を集めている。
ディープラーニング、特にグラフニューラルネットワーク(GNN)の最近の進歩は、幅広いソフトウェア脆弱性の自動検出の可能性を明らかにしている。
この研究において、我々はCode Property Graphという形で異種グラフ表現を最初に探求した1人です。
論文 参考訳（メタデータ） (2023-06-02T08:57:13Z) - Learning Strong Graph Neural Networks with Weak Information [64.64996100343602]
我々は、弱い情報(GLWI)を用いたグラフ学習問題に対する原則的アプローチを開発する。
非完全構造を持つ入力グラフ上で長距離情報伝搬を行うデュアルチャネルGNNフレームワークであるD$2$PTを提案するが、グローバルな意味的類似性を符号化するグローバルグラフも提案する。
論文 参考訳（メタデータ） (2023-05-29T04:51:09Z) - Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。
本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。
実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
論文 参考訳（メタデータ） (2022-09-16T09:13:43Z) - 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) - FedGraph: Federated Graph Learning with Intelligent Sampling [7.798227884125872]
フェデレーション学習は、分散機械学習におけるプライバシー保護のために、多くの研究の注目を集めている。
既存のフェデレーション学習の作業は主に畳み込みニューラルネットワーク(CNN)に焦点を当てており、多くのアプリケーションで人気のあるグラフデータを効率的に扱えない。
本稿では,複数のコンピュータクライアント間でのフェデレーショングラフ学習のためのFedGraphを提案する。
論文 参考訳（メタデータ） (2021-11-02T04:58:03Z) - 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) - 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) - GraphFL: A Federated Learning Framework for Semi-Supervised Node
Classification on Graphs [48.13100386338979]
グラフ上の半教師付きノード分類のための最初のFLフレームワークであるGraphFLを提案する。
本稿では,グラフデータの非IID問題に対処する2つのGraphFL法を提案し,そのタスクを新しいラベルドメインで処理する。
代表グラフニューラルネットワークをGraphSSC法として採用し,複数のグラフデータセット上でGraphFLを評価する。
論文 参考訳（メタデータ） (2020-12-08T03:13:29Z)
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。