論文の概要: Grad: Guided Relation Diffusion Generation for Graph Augmentation in Graph Fraud Detection

• arxiv url: http://arxiv.org/abs/2512.18133v1
• Date: Fri, 19 Dec 2025 23:32:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.204602
• Title: Grad: Guided Relation Diffusion Generation for Graph Augmentation in Graph Fraud Detection
• Title（参考訳）: Grad: Graph Fraud検出におけるグラフ拡張のためのガイド付き関係拡散生成
• Authors: Jie Yang, Rui Zhang, Ziyang Cheng, Dawei Cheng, Guang Yang, Bo Wang,
• Abstract要約: 詐欺師は、プラットフォームが収集した行動データを模倣して変装する。 これにより、プラットフォームのデータベース内の良質なユーザと行動特性の違いを狭めることができる。 この問題に対処するため,関係拡散に基づくグラフ拡張モデルGradを提案する。
• 参考スコア（独自算出の注目度）: 34.04981707677924
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nowadays, Graph Fraud Detection (GFD) in financial scenarios has become an urgent research topic to protect online payment security. However, as organized crime groups are becoming more professional in real-world scenarios, fraudsters are employing more sophisticated camouflage strategies. Specifically, fraudsters disguise themselves by mimicking the behavioral data collected by platforms, ensuring that their key characteristics are consistent with those of benign users to a high degree, which we call Adaptive Camouflage. Consequently, this narrows the differences in behavioral traits between them and benign users within the platform's database, thereby making current GFD models lose efficiency. To address this problem, we propose a relation diffusion-based graph augmentation model Grad. In detail, Grad leverages a supervised graph contrastive learning module to enhance the fraud-benign difference and employs a guided relation diffusion generator to generate auxiliary homophilic relations from scratch. Based on these, weak fraudulent signals would be enhanced during the aggregation process, thus being obvious enough to be captured. Extensive experiments have been conducted on two real-world datasets provided by WeChat Pay, one of the largest online payment platforms with billions of users, and three public datasets. The results show that our proposed model Grad outperforms SOTA methods in both various scenarios, achieving at most 11.10% and 43.95% increases in AUC and AP, respectively. Our code is released at https://github.com/AI4Risk/antifraud and https://github.com/Muyiiiii/WWW25-Grad.
• Abstract（参考訳）: 現在、金融シナリオにおけるグラフ不正検出(GFD)は、オンライン決済のセキュリティを保護する緊急の研究トピックとなっている。 しかし、現実のシナリオでは組織犯罪グループがプロフェッショナルになりつつあるため、詐欺師はより洗練されたカモフラージュ戦略を採用している。 特に詐欺師は、プラットフォームが収集した行動データを模倣して、彼らの重要な特徴が、Adaptive Camouflage(適応カモフラージュ)と呼ばれる、良質なユーザの行動と高度に一致していることを保証する。 これにより、プラットフォームのデータベース内の良性ユーザと行動特性の違いが狭まり、現在のGFDモデルでは効率が低下する。 この問題に対処するため,関係拡散に基づくグラフ拡張モデルGradを提案する。 詳しくは、Gradは教師付きグラフコントラスト学習モジュールを活用し、不正-良性差を高めるとともに、ガイド付き関係拡散生成器を用いて、スクラッチから補助的ホモ親和関係を生成する。 これらに基づいて、弱い不正信号は集約プロセス中に強化されるため、捕捉できるほど明らかである。 WeChat Payは、数十億人のユーザを持つオンライン支払いプラットフォームのひとつで、3つの公開データセットの1つである。 その結果,提案モデルであるGradはそれぞれのシナリオにおいてSOTA法より優れており,AUCとAPでは最大で11.10%,43.95%向上していることがわかった。 私たちのコードはhttps://github.com/AI4Risk/antifraudとhttps://github.com/Muyiiiii/WWW25-Gradでリリースされています。

関連論文リスト

• Inductive inference of gradient-boosted decision trees on graphs for insurance fraud detection [5.0564566972893505]
  ヘテロジニアスグラフと動的グラフの教師あり学習のための新しいインダクティブグラフ勾配促進機(G-GBM)を提案する。 シミュレーションされたランダムグラフを用いた実験において,提案手法は一般的なグラフニューラルネットワーク手法と競合することを示す。
  論文  参考訳（メタデータ） (2025-10-07T08:35:12Z)
• Effective High-order Graph Representation Learning for Credit Card Fraud Detection [11.174026504498931]
  詐欺師は、いくつかの良心的なユーザーを通して合法的な取引を使用して、反詐欺検出を回避して犯罪を偽装することが多い。 既存のグラフニューラルネットワーク(GNN)モデルは、カモフラージュされた間接的マルチホップトランザクションの学習機能に苦慮している。 本稿では,多層アグリゲーションプロセスにおける過剰ノイズの回避を目的とした,新しい高次グラフ表現学習モデル(HOGRL)を提案する。
  論文  参考訳（メタデータ） (2025-03-03T13:59:46Z)
• 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)
• 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)
• 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)
• 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)
• 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)

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。