論文の概要: HiLoMix: Robust High- and Low-Frequency Graph Learning Framework for Mixing Address Association

• arxiv url: http://arxiv.org/abs/2511.07759v2
• Date: Sun, 16 Nov 2025 03:39:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:22.087989
• Title: HiLoMix: Robust High- and Low-Frequency Graph Learning Framework for Mixing Address Association
• Title（参考訳）: HiLoMix: アドレスアソシエーションを混在させるロバストな高低周波グラフ学習フレームワーク
• Authors: Xiaofan Tu, Tiantian Duan, Shuyi Miao, Hanwen Zhang, Yi Sun,
• Abstract要約: 混合サービスは、不正取引のために悪意あるアクターによってますます悪用されている。 アドレスアソシエーションの混合に特化して設計されたグラフベースの学習フレームワークであるHiLoMixを提案する。 実験により、HiLoMixはアドレス関連を混合する既存の手法よりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 4.848214568017272
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As mixing services are increasingly being exploited by malicious actors for illicit transactions, mixing address association has emerged as a critical research task. A range of approaches have been explored, with graph-based models standing out for their ability to capture structural patterns in transaction networks. However, these approaches face two main challenges: label noise and label scarcity, leading to suboptimal performance and limited generalization. To address these, we propose HiLoMix, a graph-based learning framework specifically designed for mixing address association. First, we construct the Heterogeneous Attributed Mixing Interaction Graph (HAMIG) to enrich the topological structure. Second, we introduce frequency-aware graph contrastive learning that captures complementary structural signals from high- and low-frequency graph views. Third, we employ weak supervised learning that assigns confidence-based weighting to noisy labels. Then, we jointly train high-pass and low-pass GNNs using both unsupervised contrastive signals and confidence-based supervision to learn robust node representations. Finally, we adopt a stacking framework to fuse predictions from multiple heterogeneous models, further improving generalization and robustness. Experimental results demonstrate that HiLoMix outperforms existing methods in mixing address association.
• Abstract（参考訳）: 不正取引で悪意あるアクターがミキシングサービスを利用する傾向が強まっている中、ミキシングアドレスアソシエーションが重要な研究課題として浮上している。 グラフベースのモデルは、トランザクションネットワークの構造パターンをキャプチャする能力のために、さまざまなアプローチが検討されている。 しかし、これらの手法はラベルノイズとラベルの不足という2つの大きな課題に直面しており、最適化性能と限定的な一般化につながっている。 これらの問題に対処するために,アドレスアソシエーションの混合に特化して設計されたグラフベースの学習フレームワークであるHiLoMixを提案する。 まず,HAMIG (Heterogeneous Attributed Mixing Interaction Graph) を構築し,そのトポロジ構造を充実させる。 第二に、高頻度および低周波グラフビューから相補的な構造信号をキャプチャする周波数対応グラフコントラスト学習を導入する。 第3に,信頼度に基づく重み付けをノイズラベルに割り当てる弱教師付き学習を採用する。 そして、教師なしのコントラスト信号と信頼に基づく監督の両方を用いて、高域と低域のGNNを共同で訓練し、ロバストなノード表現を学習する。 最後に,複数のヘテロジニアスモデルからの予測を融合し,一般化とロバスト性を改善するため,スタック化フレームワークを採用する。 実験により、HiLoMixはアドレス関連を混合する既存の手法よりも優れていることが示された。

関連論文リスト

• GLANCE: Graph Logic Attention Network with Cluster Enhancement for Heterophilous Graph Representation Learning [47.674647127050186]
  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から学習する上で大きな成功を収めている。 本稿では,論理誘導推論,動的グラフ改善,適応クラスタリングを統合し,グラフ表現学習を強化する新しいフレームワークであるGLANCEを提案する。
  論文  参考訳（メタデータ） (2025-07-24T15:45:26Z)
• Predict, Cluster, Refine: A Joint Embedding Predictive Self-Supervised Framework for Graph Representation Learning [0.0]
  グラフ表現学習は、ノード分類やリンク予測といったタスクの基盤として登場した。 現在の自己教師付き学習(SSL)手法は、計算の非効率性、対照的な目的への依存、表現の崩壊といった課題に直面している。 本稿では,意味情報と構造情報を保存しながら,対照的な目的と負のサンプリングを排除したグラフSSLのための新しい結合埋め込み予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-02T07:42:45Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• FedRGL: Robust Federated Graph Learning for Label Noise [5.296582539751589]
  Federated Graph Learning(FGL)は、グラフニューラルネットワークに基づく分散機械学習パラダイムである。 本稿では,FedRGLと呼ばれるラベルノイズを用いた頑健なグラフ学習手法を提案する。 FedRGLは、様々なノイズ率、タイプ、クライアント数で12のベースライン手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-28T04:37:04Z)
• GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
  Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。 我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。 学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
  論文  参考訳（メタデータ） (2022-12-07T10:19:39Z)
• 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。