論文の概要: Fraud Detection Through Large-Scale Graph Clustering with Heterogeneous Link Transformation

• arxiv url: http://arxiv.org/abs/2512.19061v1
• Date: Mon, 22 Dec 2025 05:59:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.637071
• Title: Fraud Detection Through Large-Scale Graph Clustering with Heterogeneous Link Transformation
• Title（参考訳）: 不均一リンク変換を用いた大規模グラフクラスタリングによるフラッド検出
• Authors: Chi Liu,
• Abstract要約: オンライン決済システムを利用するために複数のアカウントが協調する協調詐欺は、重大な課題を提起する。 信頼度の高いアイデンティティリンクのみに依存する従来の検出方法は、限られたカバレッジに悩まされる。 本稿では,大規模な異種グラフクラスタリングの課題に対処する,グラフに基づく不正検出フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.4057438602175742
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Collaborative fraud, where multiple fraudulent accounts coordinate to exploit online payment systems, poses significant challenges due to the formation of complex network structures. Traditional detection methods that rely solely on high-confidence identity links suffer from limited coverage, while approaches using all available linkages often result in fragmented graphs with reduced clustering effectiveness. In this paper, we propose a novel graph-based fraud detection framework that addresses the challenge of large-scale heterogeneous graph clustering through a principled link transformation approach. Our method distinguishes between \emph{hard links} (high-confidence identity relationships such as phone numbers, credit cards, and national IDs) and \emph{soft links} (behavioral associations including device fingerprints, cookies, and IP addresses). We introduce a graph transformation technique that first identifies connected components via hard links, merges them into super-nodes, and then reconstructs a weighted soft-link graph amenable to efficient embedding and clustering. The transformed graph is processed using LINE (Large-scale Information Network Embedding) for representation learning, followed by HDBSCAN (Hierarchical Density-Based Spatial Clustering of Applications with Noise) for density-based cluster discovery. Experiments on a real-world payment platform dataset demonstrate that our approach achieves significant graph size reduction (from 25 million to 7.7 million nodes), doubles the detection coverage compared to hard-link-only baselines, and maintains high precision across identified fraud clusters. Our framework provides a scalable and practical solution for industrial-scale fraud detection systems.
• Abstract（参考訳）: 複数の不正アカウントが協調してオンライン決済システムを利用する協調的詐欺は、複雑なネットワーク構造の形成によって大きな課題を引き起こす。 高信頼度IDリンクにのみ依存する従来の検出手法は、カバー範囲が限られているのに対して、すべての利用可能なリンクを用いたアプローチでは、クラスタリングの有効性が低下する断片化グラフが生じることが多い。 本稿では,リンク変換を原則とした大規模不均一グラフクラスタリングの課題に対処する,グラフに基づく不正検出フレームワークを提案する。 本手法は,携帯端末の指紋,クッキー,IPアドレスなどの行動関連性(電話番号,クレジットカード,国民IDなどの信頼度の高いアイデンティティ関係)と,emph{softリンクとを区別する。 本稿では,まず連結成分をハードリンクで同定し,それらをスーパーノードにマージし,効率的な埋め込みとクラスタリングが可能な重み付きソフトリンクグラフを再構成するグラフ変換手法を提案する。 変換グラフは、表現学習にLINE(Large-scale Information Network Embedding)を使用し、次いでHDBSCAN(Herarchical Density-Based Spatial Clustering of Applications with Noise)を用いて密度に基づくクラスタ探索を行う。 実世界の決済プラットフォームデータセットの実験では、我々のアプローチが(2500万ノードから770万ノードまで)グラフサイズの大幅な削減を実現し、ハードリンクのみのベースラインと比較して検出カバレッジを2倍にし、特定された不正クラスタ間で高い精度を維持することが示されている。 当社のフレームワークは,産業規模の不正検出システムに対して,スケーラブルで実用的なソリューションを提供する。

関連論文リスト

• Cluster Aware Graph Anomaly Detection [32.791460110557104]
  本稿では,CAREと呼ばれるクラスタ認識型マルチビューグラフ異常検出手法を提案する。 提案手法は,グラフの隣接行列を擬似ラベルで拡張することにより,局所ノード親和性とグローバルノード親和性の両方を捕捉する。 提案した類似性誘導損失は、対照的な学習損失の変種であることを示す。
  論文  参考訳（メタデータ） (2024-09-15T15:41:59Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• CONVERT:Contrastive Graph Clustering with Reliable Augmentation [110.46658439733106]
  信頼性オーグメンテーション(CONVERT)を用いたContrastiVe Graph ClustEringネットワークを提案する。 本手法では,データ拡張を可逆的パーターブ・リカバリネットワークにより処理する。 セマンティクスの信頼性をさらに保証するために、ネットワークを制約する新たなセマンティクス損失が提示される。
  論文  参考訳（メタデータ） (2023-08-17T13:07:09Z)
• Behavioral graph fraud detection in E-commerce [10.621640214806794]
  本稿では,ユーザ行動の類似性に基づくトランザクションリンクを確立するための,行動バイオメトリクスに基づく新しい手法を提案する。 我々の知る限り、グラフ埋め込みアプリケーションで類似性に基づくソフトリンクが使用されるのはこれが初めてである。 本実験は,類似性に基づく行動グラフから学習した埋め込み特徴が,ベースライン不正検出モデルにおいて顕著な性能向上を実現していることを示す。
  論文  参考訳（メタデータ） (2022-10-13T12:47:09Z)
• 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)
• Identifying Linked Fraudulent Activities Using GraphConvolution Network [0.0]
  グラフ畳み込みネットワーク(GCN)を用いたリンクされた不正行為の同定手法を提案する。 GCNは、類似した試みのクラスタを特定するために不正なノード間の類似性を学び、学習するデータセットをはるかに小さくする必要がある。 提案手法は, ラベル伝搬コミュニティ検出と教師付きGBTアルゴリズムを, ソリューションの品質と時間の観点から比較した。
  論文  参考訳（メタデータ） (2021-06-05T09:56:08Z)

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。