Fugu-MT 論文翻訳(概要): Temporal Graph Networks for Graph Anomaly Detection in Financial Networks

論文の概要: Temporal Graph Networks for Graph Anomaly Detection in Financial Networks

arxiv url: http://arxiv.org/abs/2404.00060v1
Date: Wed, 27 Mar 2024 07:17:16 GMT
ステータス: 処理完了
システム内更新日: 2024-04-04 07:27:29.345168
Title: Temporal Graph Networks for Graph Anomaly Detection in Financial Networks
Title（参考訳）: 金融ネットワークにおけるグラフ異常検出のための時間グラフネットワーク
Authors: Yejin Kim, Youngbin Lee, Minyoung Choe, Sungju Oh, Yongjae Lee,
Abstract要約: 本稿では,時間グラフネットワーク(TGN)の財務異常検出への応用について検討する。我々はTGNの性能を静的グラフネットワーク(GNN)ベースライン、最先端ハイパーグラフニューラルネットワークベースラインと比較する。以上の結果から,TGNはAUCの指標で他のモデルよりも有意に優れていた。
参考スコア（独自算出の注目度）: 28.353194998824538
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper explores the utilization of Temporal Graph Networks (TGN) for financial anomaly detection, a pressing need in the era of fintech and digitized financial transactions. We present a comprehensive framework that leverages TGN, capable of capturing dynamic changes in edges within financial networks, for fraud detection. Our study compares TGN's performance against static Graph Neural Network (GNN) baselines, as well as cutting-edge hypergraph neural network baselines using DGraph dataset for a realistic financial context. Our results demonstrate that TGN significantly outperforms other models in terms of AUC metrics. This superior performance underlines TGN's potential as an effective tool for detecting financial fraud, showcasing its ability to adapt to the dynamic and complex nature of modern financial systems. We also experimented with various graph embedding modules within the TGN framework and compared the effectiveness of each module. In conclusion, we demonstrated that, even with variations within TGN, it is possible to achieve good performance in the anomaly detection task.
Abstract（参考訳）: 本稿では,金融異常検出におけるテンポラルグラフネットワーク(TGN)の利用,フィンテック時代とデジタル金融取引の急激なニーズについて検討する。本稿では,金融ネットワーク内のエッジの動的変化を捉え,不正検出にTGNを利用する包括的フレームワークを提案する。本研究では,静的グラフニューラルネットワーク(GNN)ベースラインに対するTGNの性能と,DGraphデータセットを用いた最先端ハイパーグラフニューラルネットワークベースラインとの比較を行った。以上の結果から,TGNはAUCの指標で他のモデルよりも有意に優れていた。この優れたパフォーマンスは、金融詐欺を検出する効果的なツールとしてのTGNの可能性を強調し、現代の金融システムのダイナミックで複雑な性質に適応する能力を示している。また,TGNフレームワーク内のグラフ埋め込みモジュールについても実験を行い,各モジュールの有効性を比較した。結論として,TGN内での変動であっても,異常検出タスクにおいて良好な性能が得られることを示した。

関連論文リスト

Uncertainty in Graph Neural Networks: A Survey [50.63474656037679]
グラフニューラルネットワーク(GNN)は、様々な現実世界のアプリケーションで広く使われている。しかし、多様な情報源から生じるGNNの予測的不確実性は、不安定で誤った予測につながる可能性がある。本調査は,不確実性の観点からGNNの概要を概観することを目的としている。
論文参考訳（メタデータ） (2024-03-11T21:54:52Z)
T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
論文参考訳（メタデータ） (2023-10-05T02:58:29Z)
ChatGPT Informed Graph Neural Network for Stock Movement Prediction [8.889701868315717]
グラフニューラルネットワーク(GNN)を強化するためにChatGPTのグラフ推論機能を活用する新しいフレームワークを提案する。筆者らのフレームワークは,テキストデータから進化するネットワーク構造を十分に抽出し,これらのネットワークをグラフニューラルネットワークに組み込んで,その後の予測作業を行う。
論文参考訳（メタデータ） (2023-05-28T21:11:59Z)
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)
Analysis of different temporal graph neural network configurations on dynamic graphs [0.0]
本研究の目的は,動的グラフ上での空間的時間的依存構造学習の質的解析を行うことにより,文献のギャップを解消することである。優れたTGNの異なる変種について広範囲にわたるアブレーション研究を行い、その性能に寄与する主要な要因を同定する。これらの目的を達成することで、動的グラフ解析のためのTGNの設計と最適化に関する貴重な知見を提供する。
論文参考訳（メタデータ） (2023-05-02T00:07:33Z)
GraphTTA: Test Time Adaptation on Graph Neural Networks [10.582212966736645]
グラフニューラルネットワーク(GNN)のための新しいテスト時間適応戦略であるグラフ適応擬似グループコントラスト(GAPGC)を提案する。 GAPGCは、TTA中に自己教師型タスクとして、Adversarial Learnable Augmenter と Group Pseudo-Positive Samples を備えた対照的な学習変種を採用している。我々は,GAPGCが情報理論の観点から主課題に必要な最小限の情報を引き出すことができるという理論的証拠を提供する。
論文参考訳（メタデータ） (2022-08-19T02:24:16Z)
EvenNet: Ignoring Odd-Hop Neighbors Improves Robustness of Graph Neural Networks [51.42338058718487]
グラフニューラルネットワーク(GNN)は、グラフ機械学習における有望なパフォーマンスについて、広範な研究の注目を集めている。 GCNやGPRGNNのような既存のアプローチは、テストグラフ上のホモフィリな変化に直面しても堅牢ではない。偶数多項式グラフフィルタに対応するスペクトルGNNであるEvenNetを提案する。
論文参考訳（メタデータ） (2022-05-27T10:48:14Z)
Learning to Drop: Robust Graph Neural Network via Topological Denoising [50.81722989898142]
グラフニューラルネットワーク(GNN)のロバスト性および一般化性能を向上させるために,パラメータ化トポロジカルデノイングネットワークであるPTDNetを提案する。 PTDNetは、パラメータ化されたネットワークでスパーシファイドグラフ内のエッジ数をペナル化することで、タスク非関連エッジを創出する。 PTDNetはGNNの性能を著しく向上させ,さらにノイズの多いデータセットでは性能が向上することを示す。
論文参考訳（メタデータ） (2020-11-13T18:53:21Z)
Multi-Graph Tensor Networks [23.030263841031633]
本稿では,不規則なデータソースとテンソルネットワークの圧縮特性を深層学習環境で扱えるグラフを利用した新しいMulti-Graph Network(MGTN)フレームワークを提案する。 MGTNにより、FORTX通貨グラフを利用して、この要求されたタスクに経済的に意味のある構造を課し、結果として、3つの競合するモデルに対して非常に優れたパフォーマンスと、劇的に低い複雑性をもたらす。
論文参考訳（メタデータ） (2020-10-25T20:14:57Z)
A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習表現において顕著に普及している。本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。 UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
論文参考訳（メタデータ） (2020-10-05T04:57:18Z)

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。