論文の概要: Dual-channel Heterophilic Message Passing for Graph Fraud Detection

• arxiv url: http://arxiv.org/abs/2504.14205v2
• Date: Sat, 26 Apr 2025 08:03:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:52.682465
• Title: Dual-channel Heterophilic Message Passing for Graph Fraud Detection
• Title（参考訳）: グラフフラッド検出のためのデュアルチャネルヘテロフィルメッセージパッシング
• Authors: Wenxin Zhang, Jingxing Zhong, Guangzhen Yao, Renda Han, Xiaojian Lin, Zeyu Zhang, Cuicui Luo,
• Abstract要約: 本稿では,不正検出のための新しいフレームワークDHMPを提案する。 DHMPはヘテロフィリ分離モジュールを用いてグラフをホモ親和性およびヘテロ親和性部分グラフに分割し、従来のGNNの低パス誘導バイアスを緩和する。 次に共有重みを適用して、異なる周波数の信号を個別にキャプチャし、トレーニング用にカスタマイズされたサンプリング戦略を組み込む。
• 参考スコア（独自算出の注目度）: 2.479294382835474
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fraudulent activities have significantly increased across various domains, such as e-commerce, online review platforms, and social networks, making fraud detection a critical task. Spatial Graph Neural Networks (GNNs) have been successfully applied to fraud detection tasks due to their strong inductive learning capabilities. However, existing spatial GNN-based methods often enhance the graph structure by excluding heterophilic neighbors during message passing to align with the homophilic bias of GNNs. Unfortunately, this approach can disrupt the original graph topology and increase uncertainty in predictions. To address these limitations, this paper proposes a novel framework, Dual-channel Heterophilic Message Passing (DHMP), for fraud detection. DHMP leverages a heterophily separation module to divide the graph into homophilic and heterophilic subgraphs, mitigating the low-pass inductive bias of traditional GNNs. It then applies shared weights to capture signals at different frequencies independently and incorporates a customized sampling strategy for training. This allows nodes to adaptively balance the contributions of various signals based on their labels. Extensive experiments on three real-world datasets demonstrate that DHMP outperforms existing methods, highlighting the importance of separating signals with different frequencies for improved fraud detection. The code is available at https://github.com/shaieesss/DHMP.
• Abstract（参考訳）: 不正行為は、eコマース、オンラインレビュープラットフォーム、ソーシャルネットワークなど、さまざまなドメインで顕著に増加しており、不正検出が重要な課題となっている。 空間グラフニューラルネットワーク(GNN)は、強い帰納的学習能力のため、不正検出タスクにうまく適用されている。 しかし、既存の空間的GNNベースの手法は、GNNの同好バイアスに合わせるために、メッセージパッシング中に異好の隣人を排除してグラフ構造を強化することが多い。 残念ながら、このアプローチは元のグラフトポロジーを破壊し、予測の不確実性を増大させる可能性がある。 これらの制約に対処するため,本研究では,不正検出のための新しいフレームワークであるDHMPを提案する。 DHMPはヘテロフィリ分離モジュールを利用してグラフをホモ親和性およびヘテロ親和性部分グラフに分割し、従来のGNNの低パス誘導バイアスを緩和する。 次に共有重みを適用して、異なる周波数の信号を個別にキャプチャし、トレーニング用にカスタマイズされたサンプリング戦略を組み込む。 これにより、ノードはラベルに基づいて様々な信号のコントリビューションを適応的にバランスすることができる。 3つの実世界のデータセットに対する大規模な実験により、DHMPは既存の手法よりも優れており、不正検出を改善するために異なる周波数で信号を分離することの重要性を強調している。 コードはhttps://github.com/shaieesss/DHMPで入手できる。

関連論文リスト

• A Label-Free Heterophily-Guided Approach for Unsupervised Graph Fraud Detection [60.09453163562244]
  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。
  論文  参考訳（メタデータ） (2025-02-18T22:07:36Z)
• Dual-Frequency Filtering Self-aware Graph Neural Networks for Homophilic and Heterophilic Graphs [60.82508765185161]
  我々は、Dual-Frequency Filtering Self-Aware Graph Neural Networks (DFGNN)を提案する。 DFGNNは低域通過フィルタと高域通過フィルタを統合し、滑らかで詳細な位相的特徴を抽出する。 フィルター比を動的に調整し、ホモフィルグラフとヘテロフィルグラフの両方に対応する。
  論文  参考訳（メタデータ） (2024-11-18T04:57:05Z)
• Partitioning Message Passing for Graph Fraud Detection [57.928658584067556]
  グラフフラッド検出(GFD)タスクにグラフニューラルネットワーク(GNN)を適用する場合、ラベルの不均衡とホモフィリー・ヘテロフィリー混合が直面する根本的な問題である。 既存のGNNベースのGFDモデルは、GNNのホモフィリーへの帰納バイアスに対応するためにグラフ構造を拡張するように設計されている。 我々の研究では、GFDにGNNを適用する鍵は除外するのではなく、異なるラベルを持つ隣人を区別することにあると論じている。
  論文  参考訳（メタデータ） (2024-11-16T11:30:53Z)
• Sign is Not a Remedy: Multiset-to-Multiset Message Passing for Learning on Heterophilic Graphs [77.42221150848535]
  我々は、Multiset to Multiset GNN(M2M-GNN)と呼ばれる新しいメッセージパッシング機能を提案する。 M2M-GNNは上述のSMPの限界を効果的に緩和し, 比較性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-05-31T07:39:22Z)
• HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
  ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。 本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
  論文  参考訳（メタデータ） (2024-01-18T12:47:13Z)
• 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)
• 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)
• Label Information Enhanced Fraud Detection against Low Homophily in Graphs [24.170070133328277]
  本稿では,この課題に対処するために,新たなグループ集約強化TrAnsformerであるGAGAを提案する。 GAGAは、Anonymousの2つのトレンドのパブリックデータセットと実世界の産業データセットで、他のグラフベースの不正検知器を最大24.39%上回っている。
  論文  参考訳（メタデータ） (2023-02-21T02:42:28Z)
• Heterophily-Aware Graph Attention Network [42.640057865981156]
  グラフニューラルネットワーク(GNN)はグラフ表現学習において顕著な成功を収めている。 既存のヘテロフィル性GNNは、各エッジのヘテロフィリのモデリングを無視する傾向にあり、これはヘテロフィリ問題に取り組む上でも不可欠である。 本稿では,局所分布を基礎となるヘテロフィリーとして完全に探索し,活用することで,新たなヘテロフィア対応グラフ注意ネットワーク(HA-GAT)を提案する。
  論文  参考訳（メタデータ） (2023-02-07T03:21:55Z)
• 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)
• Edge Graph Neural Networks for Massive MIMO Detection [15.970981766599035]
  無線通信システムにおいて、MIMO(Massive Multiple-Input Multiple-Out)検出は重要な問題である。 従来のBreief Propagation(BP)検出器はループグラフでは性能が良くないが、最近のグラフニューラルネットワーク(GNN)ベースの手法はBPの欠点を克服し、優れた性能を実現することができる。
  論文  参考訳（メタデータ） (2022-05-22T08:01:47Z)

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。