論文の概要: A Label-Free Heterophily-Guided Approach for Unsupervised Graph Fraud Detection

• arxiv url: http://arxiv.org/abs/2502.13308v2
• Date: Sun, 23 Feb 2025 06:15:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 12:07:16.348794
• Title: A Label-Free Heterophily-Guided Approach for Unsupervised Graph Fraud Detection
• Title（参考訳）: 非教師付きグラフフラッド検出のためのラベルフリーヘテロフォリーガイドによるアプローチ
• Authors: Junjun Pan, Yixin Liu, Xin Zheng, Yizhen Zheng, Alan Wee-Chung Liew, Fuyi Li, Shirui Pan,
• Abstract要約: 本稿では,非教師付きGFDのための非教師付きグラフ不正検出手法(HUGE)を提案する。 推定モジュールでは、GFD の臨界グラフ特性をキャプチャする HALO と呼ばれる新しいラベルフリーなヘテロフィリー計量を設計する。 アライメントに基づく不正検出モジュールにおいて、ランキング損失と非対称アライメント損失を有する合同GNNアーキテクチャを開発する。
• 参考スコア（独自算出の注目度）: 60.09453163562244
• License:
• Abstract: Graph fraud detection (GFD) has rapidly advanced in protecting online services by identifying malicious fraudsters. Recent supervised GFD research highlights that heterophilic connections between fraudsters and users can greatly impact detection performance, since fraudsters tend to camouflage themselves by building more connections to benign users. Despite the promising performance of supervised GFD methods, the reliance on labels limits their applications to unsupervised scenarios; Additionally, accurately capturing complex and diverse heterophily patterns without labels poses a further challenge. To fill the gap, we propose a Heterophily-guided Unsupervised Graph fraud dEtection approach (HUGE) for unsupervised GFD, which contains two essential components: a heterophily estimation module and an alignment-based fraud detection module. In the heterophily estimation module, we design a novel label-free heterophily metric called HALO, which captures the critical graph properties for GFD, enabling its outstanding ability to estimate heterophily from node attributes. In the alignment-based fraud detection module, we develop a joint MLP-GNN architecture with ranking loss and asymmetric alignment loss. The ranking loss aligns the predicted fraud score with the relative order of HALO, providing an extra robustness guarantee by comparing heterophily among non-adjacent nodes. Moreover, the asymmetric alignment loss effectively utilizes structural information while alleviating the feature-smooth effects of GNNs. Extensive experiments on 6 datasets demonstrate that HUGE significantly outperforms competitors, showcasing its effectiveness and robustness.
• Abstract（参考訳）: グラフ不正検出(GFD)は、悪意のある詐欺師を識別することによって、オンラインサービスを保護するために急速に進歩している。 近年のGFD研究は、詐欺師とユーザの間の不均一な接続が検出性能に大きな影響を与えることを強調している。 GFDメソッドの有望な性能にもかかわらず、ラベルへの依存は、それらのアプリケーションを教師なしのシナリオに制限する。 このギャップを埋めるために、ヘテロフィリー推定モジュールとアライメントに基づく不正検出モジュールの2つの必須成分を含む非教師付きGFDのためのヘテロフィリー誘導非教師付きグラフ不正検出手法(HUGE)を提案する。 ヘテロフィリー推定モジュールでは、GFDの臨界グラフ特性を捕捉し、ノード属性からヘテロフィリーを推定できるHALOと呼ばれる新しいラベルフリーなヘテロフィリー計量を設計する。 また、アライメントに基づく不正検出モジュールにおいて、ランキング損失と非対称アライメント損失を有する共同MLP-GNNアーキテクチャを開発する。 ランキング損失は、予測された不正スコアとHALOの相対的な順序とを一致させ、非隣接ノード間のヘテロフィリーを比較することで、さらなる堅牢性を保証する。 さらに、非対称アライメント損失は、GNNの特徴-平滑効果を緩和しつつ、構造情報を有効に活用する。 6つのデータセットに対する大規模な実験により、HUGEは競合他社よりも大幅に優れており、その有効性と堅牢性を示している。

関連論文リスト

• Enhancing Fairness in Unsupervised Graph Anomaly Detection through Disentanglement [33.565252991113766]
  グラフ異常検出(GAD)は、金融詐欺検出から偽ニュース検出まで、さまざまなアプリケーションにおいてますます重要になっている。 現在のGAD法は主に公平性の問題を見落としており、特定の人口集団に対して差別的な決定が下される可能性がある。 DeFENDという属性グラフ上に,DisEntangle-based FairnEss-aware aNomaly Detectionフレームワークを考案した。 実世界のデータセットに対する実証的な評価から、DEFENDはGADにおいて効果的に機能し、最先端のベースラインと比較して公正性を著しく向上することが明らかとなった。
  論文  参考訳（メタデータ） (2024-06-03T04:48:45Z)
• Revisiting Graph-Based Fraud Detection in Sight of Heterophily and Spectrum [26.62679288320554]
  グラフベースの不正検出(GFD)は、半教師付きノードバイナリ分類タスクとして困難なものと見なすことができる。 本稿では,セミ教師付きGNNベースの詐欺検知器SEC-GFDを提案する。 4つの実世界の不正検出データセットの総合的な実験結果は、SEC-GFDが他の競合グラフベースの不正検出よりも優れていることを示している。
  論文  参考訳（メタデータ） (2023-12-11T15:18:51Z)
• Few-shot Message-Enhanced Contrastive Learning for Graph Anomaly Detection [15.757864894708364]
  グラフ異常検出は、多数派から大きく逸脱するグラフデータの例外的なインスタンスを特定する上で重要な役割を果たす。 我々はFMGADと呼ばれる新しい数ショットグラフ異常検出モデルを提案する。 FMGADは, 人工的に注入された異常やドメイン・有機異常によらず, 他の最先端手法よりも優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2023-11-17T07:49:20Z)
• BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
  自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。 ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
  論文  参考訳（メタデータ） (2023-07-28T00:44:57Z)
• 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)
• Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
  最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。 本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。 本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:44:31Z)
• The Devil is in the Conflict: Disentangled Information Graph Neural Networks for Fraud Detection [17.254383007779616]
  性能劣化は主にトポロジと属性の矛盾に起因すると我々は主張する。 注意機構を用いて2つの視点を適応的に融合する簡易かつ効果的な手法を提案する。 我々のモデルは、実世界の不正検出データセットで最先端のベースラインを大幅に上回ることができる。
  論文  参考訳（メタデータ） (2022-10-22T08:21:49Z)
• ScoreGAN: A Fraud Review Detector based on Multi Task Learning of Regulated GAN with Data Augmentation [50.779498955162644]
  生成・検出プロセスにおけるレビューテキストとレビューレーティングスコアの両方を利用した不正レビュー検出のためのScoreGANを提案する。 その結果,提案フレームワークは,既存の最先端フレームワークであるFakeGANをAPの7%,YelpとTripAdvisorのデータセットで5%上回る性能を示した。
  論文  参考訳（メタデータ） (2020-06-11T16:15:06Z)
• Alleviating the Inconsistency Problem of Applying Graph Neural Network to Fraud Detection [78.88163190021798]
  不整合問題に対処するために、新しいGNNフレームワークである$mathsfGraphConsis$を導入します。 4つのデータセットの実証分析は、不正検出タスクにおいて不整合の問題が不可欠であることを示唆している。 我々はまた、SOTAモデルを実装したGNNベースの不正検出ツールボックスもリリースした。
  論文  参考訳（メタデータ） (2020-05-01T21:43:58Z)

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。