論文の概要: GraphGuard: Contrastive Self-Supervised Learning for Credit-Card Fraud Detection in Multi-Relational Dynamic Graphs

• arxiv url: http://arxiv.org/abs/2407.12440v1
• Date: Wed, 17 Jul 2024 09:50:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-18 17:37:53.498116
• Title: GraphGuard: Contrastive Self-Supervised Learning for Credit-Card Fraud Detection in Multi-Relational Dynamic Graphs
• Title（参考訳）: GraphGuard: マルチリレーショナルダイナミックグラフにおけるクレジットカード不正検出のための対照的な自己監督学習
• Authors: Kristófer Reynisson, Marco Schreyer, Damian Borth,
• Abstract要約: 本稿では,不正なクレジットカード取引を検出するためのグラフベースのフレームワークであるGraphGuardを紹介する。 本研究は,クレジットカード不正検出のためのグラフベースの自己教師型手法の有効性を検討する上で,有望な初期方向性を提供する。
• 参考スコア（独自算出の注目度）: 5.182014186927255
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Credit card fraud has significant implications at both an individual and societal level, making effective prevention essential. Current methods rely heavily on feature engineering and labeled information, both of which have significant limitations. In this work, we present GraphGuard, a novel contrastive self-supervised graph-based framework for detecting fraudulent credit card transactions. We conduct experiments on a real-world dataset and a synthetic dataset. Our results provide a promising initial direction for exploring the effectiveness of graph-based self-supervised approaches for credit card fraud detection.
• Abstract（参考訳）: クレジットカード詐欺は個人レベルでも社会レベルでも重大な意味を持ち、効果的な予防が不可欠である。 現在の手法は機能エンジニアリングとラベル付き情報に大きく依存しており、どちらも大きな制限がある。 本稿では,不正なクレジットカード取引を検出するための,新たなコントラスト付き自己教師型グラフベースのフレームワークであるGraphGuardを提案する。 実世界のデータセットと合成データセットで実験を行う。 本研究は,クレジットカード不正検出のためのグラフベースの自己教師型手法の有効性を検討する上で,有望な初期方向性を提供する。

関連論文リスト

• Heterogeneous Graph Auto-Encoder for CreditCard Fraud Detection [0.7864304771129751]
  本稿では、金融データの異種グラフ表現に注意機構を応用したグラフニューラルネットワーク(GNN)を用いたクレジットカード不正検出手法を提案する。 提案モデルはグラフセージやFI-GRLなどのベンチマークアルゴリズムより優れており、AUC-PRが0.89、F1スコアが0.81である。
  論文  参考訳（メタデータ） (2024-10-10T17:05:27Z)
• 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)
• 2SFGL: A Simple And Robust Protocol For Graph-Based Fraud Detection [1.6427658855248812]
  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。
  論文  参考訳（メタデータ） (2023-10-12T13:48:26Z)
• GraphCloak: Safeguarding Task-specific Knowledge within Graph-structured Data from Unauthorized Exploitation [61.80017550099027]
  グラフニューラルネットワーク(GNN)は、さまざまな分野でますます普及している。 個人データの不正利用に関する懸念が高まっている。 近年の研究では、このような誤用から画像データを保護する効果的な方法として、知覚不能な毒殺攻撃が報告されている。 本稿では,グラフデータの不正使用に対する保護のためにGraphCloakを導入する。
  論文  参考訳（メタデータ） (2023-10-11T00:50:55Z)
• 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)
• 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)
• 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。