論文の概要: Addressing Noise and Stochasticity in Fraud Detection for Service Networks

• arxiv url: http://arxiv.org/abs/2505.00946v1
• Date: Fri, 02 May 2025 01:17:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-05 17:21:19.878752
• Title: Addressing Noise and Stochasticity in Fraud Detection for Service Networks
• Title（参考訳）: サービスネットワークにおけるフラッド検出における雑音と確率の対応
• Authors: Wenxin Zhang, Ding Xu, Xi Xuan, Lei Jiang, Guangzhen Yao, Renda Han, Xiangxiang Lang, Cuicui Luo,
• Abstract要約: サービスネットワークにおける不正検出のための情報ボトルネック理論(SGNN-IB)に基づく新しいスペクトルグラフネットワークを開発した。 最初の制限のために、SGNN-IBはエンコードされた表現の重要な特徴を抽出するために情報ボトルネック理論を適用している。 第2の制限のために、SGNN-IBは信号の周波数特性を保存し、信号融合を実装するためのプロトタイプ学習を導入した。
• 参考スコア（独自算出の注目度）: 11.752120973078116
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fraud detection is crucial in social service networks to maintain user trust and improve service network security. Existing spectral graph-based methods address this challenge by leveraging different graph filters to capture signals with different frequencies in service networks. However, most graph filter-based methods struggle with deriving clean and discriminative graph signals. On the one hand, they overlook the noise in the information propagation process, resulting in degradation of filtering ability. On the other hand, they fail to discriminate the frequency-specific characteristics of graph signals, leading to distortion of signals fusion. To address these issues, we develop a novel spectral graph network based on information bottleneck theory (SGNN-IB) for fraud detection in service networks. SGNN-IB splits the original graph into homophilic and heterophilic subgraphs to better capture the signals at different frequencies. For the first limitation, SGNN-IB applies information bottleneck theory to extract key characteristics of encoded representations. For the second limitation, SGNN-IB introduces prototype learning to implement signal fusion, preserving the frequency-specific characteristics of signals. Extensive experiments on three real-world datasets demonstrate that SGNN-IB outperforms state-of-the-art fraud detection methods.
• Abstract（参考訳）: ユーザ信頼を維持し、サービスネットワークのセキュリティを改善するために、ソーシャルネットワークでは不正検出が不可欠である。 既存のスペクトルグラフベースの手法は、異なるグラフフィルタを利用して、サービスネットワーク内の異なる周波数の信号をキャプチャすることで、この問題に対処する。 しかし、ほとんどのグラフフィルタに基づく手法は、クリーンで差別的なグラフ信号の導出に苦慮している。 一方,情報伝達過程のノイズは無視され,フィルタリング能力は低下する。 一方,グラフ信号の周波数特性の識別に失敗し,信号融合の歪みを生じさせる。 これらの問題に対処するため,サービスネットワークにおける不正検出のための情報ボトルネック理論(SGNN-IB)に基づく新しいスペクトルグラフネットワークを開発した。 SGNN-IBは、元の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、異なる周波数で信号を取り込む。 最初の制限のために、SGNN-IBはエンコードされた表現の重要な特徴を抽出するために情報ボトルネック理論を適用している。 第2の制限のために、SGNN-IBは信号の周波数特性を保存し、信号融合を実装するためのプロトタイプ学習を導入した。 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、SGNN-IBは最先端の不正検出方法より優れていることが示された。

関連論文リスト

• Dual-channel Heterophilic Message Passing for Graph Fraud Detection [2.479294382835474]
  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。
  論文  参考訳（メタデータ） (2025-04-19T06:41:24Z)
• Graph Neural Networks Are More Than Filters: Revisiting and Benchmarking from A Spectral Perspective [49.613774305350084]
  グラフニューラルネットワーク(GNN)は、様々なグラフベースの学習タスクにおいて顕著な成功を収めている。 近年の研究では、非線形層などの他のコンポーネントが、GNNがスペクトル領域の入力グラフデータをどのように処理するかに大きく影響する可能性が示唆されている。 本稿では、入力グラフデータの異なる周波数成分に符号化された情報を捕捉し、活用する際のGNNの能力を評価するための総合的なベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-12-10T04:53:53Z)
• 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)
• Combating Bilateral Edge Noise for Robust Link Prediction [56.43882298843564]
  本稿では,RGIB(Robust Graph Information Bottleneck)という情報理論の原則を提案し,信頼性の高い監視信号を抽出し,表現の崩壊を回避する。 RGIB-SSLとRGIB-REPの2つのインスタンス化は、異なる手法の利点を活用するために検討されている。 6つのデータセットと3つのGNNの様々なノイズシナリオによる実験は、我々のRGIBインスタンスの有効性を検証する。
  論文  参考訳（メタデータ） (2023-11-02T12:47:49Z)
• BLIS-Net: Classifying and Analyzing Signals on Graphs [20.345611294709244]
  グラフニューラルネットワーク(GNN)は、ノード分類やグラフ分類といったタスクのための強力なツールとして登場した。 我々は以前に導入された幾何散乱変換に基づいて構築された新しいGNNであるBLIS-Net(Bi-Lipschitz Scattering Net)を紹介する。 BLIS-Netは,交通流とfMRIデータに基づいて,合成データと実世界のデータの両方において優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2023-10-26T17:03:14Z)
• Message Passing in Graph Convolution Networks via Adaptive Filter Banks [81.12823274576274]
  我々は BankGCN と呼ばれる新しいグラフ畳み込み演算子を提案する。 グラフ上のマルチチャネル信号をサブスペースに分解し、各サブスペース内の特定の情報を適応フィルタで処理する。 ベンチマークグラフデータセットの集合におけるグラフ分類における優れたパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-06-18T04:23:34Z)
• A Hierarchical Graph Signal Processing Approach to Inference from Spatiotemporal Signals [14.416786768268233]
  グラフ信号処理(GSP)の新興領域を動機として,信号から推論を行う新しい手法を提案する。 本稿では,階層的特徴抽出手法の開発に活用する。 Kアグル発作検出コンテストの頭蓋内脳波(iEEG)データセットについて検討した。
  論文  参考訳（メタデータ） (2020-10-25T17:08:13Z)
• Discriminability of Single-Layer Graph Neural Networks [172.5042368548269]
  グラフニューラルネットワーク(GNN)は、幅広い問題について有望な性能を示した。 本稿では, 識別可能性の特性に着目し, 安定グラフフィルタバンクへのポイントワイド非線形性の適用により, 高固有値コンテンツに対する識別能力が向上する条件を確立する。
  論文  参考訳（メタデータ） (2020-10-17T18:52:34Z)
• Contrastive and Generative Graph Convolutional Networks for Graph-based Semi-Supervised Learning [64.98816284854067]
  グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。 本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-15T13:59:28Z)

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。