論文の概要: Multi-Scale Adaptive Neighborhood Awareness Transformer For Graph Fraud Detection
- arxiv url: http://arxiv.org/abs/2603.03106v1
- Date: Tue, 03 Mar 2026 15:41:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-04 21:38:10.86479
- Title: Multi-Scale Adaptive Neighborhood Awareness Transformer For Graph Fraud Detection
- Title（参考訳）: グラフフラッド検出のためのマルチスケール適応近傍認識変換器
- Authors: Jiaqi Lv, Qingfeng Du, Yu Zhang, Yongqi Han, Sheng Li,
- Abstract要約: グラフ不正検出は、グラフ内の不正行為を識別するために重要であり、金融ネットワークやソーシャルメディアなどの様々なドメインに利益をもたらす。
グラフニューラルネットワーク(GNN)に基づく既存の手法は、グラフ構造化データに対する効率的な表現能力のため、かなり成功した。
本稿では,GNNの固有帰納バイアスを緩和するMANDATE(Multiscale Neborhood Awareness Transformer)を提案する。
- 参考スコア（独自算出の注目度）: 15.157616444432563
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph fraud detection (GFD) is crucial for identifying fraudulent behavior within graphs, benefiting various domains such as financial networks and social media. Existing methods based on graph neural networks (GNNs) have succeeded considerably due to their effective expressive capacity for graph-structured data. However, the inherent inductive bias of GNNs, including the homogeneity assumption and the limited global modeling ability, hinder the effectiveness of these models. To address these challenges, we propose Multi-scale Neighborhood Awareness Transformer (MANDATE), which alleviates the inherent inductive bias of GNNs. Specifically, we design a multi-scale positional encoding strategy to encode the positional information of various distances from the central node. By incorporating it with the self-attention mechanism, the global modeling ability can be enhanced significantly. Meanwhile, we design different embedding strategies for homophilic and heterophilic connections. This mitigates the homophily distribution differences between benign and fraudulent nodes. Moreover, an embedding fusion strategy is designed for multi-relation graphs, which alleviates the distribution bias caused by different relationships. Experiments on three fraud detection datasets demonstrate the superiority of MANDATE.
- Abstract（参考訳）: グラフ不正検出(GFD)は、グラフ内の不正行為を識別するために重要であり、金融ネットワークやソーシャルメディアなど様々な分野の恩恵を受けている。
グラフニューラルネットワーク(GNN)に基づく既存の手法は、グラフ構造化データに対する効率的な表現能力のため、かなり成功した。
しかし、GNNの固有の帰納バイアスは、均質性仮定や限定的大域的モデリング能力を含み、これらのモデルの有効性を妨げている。
これらの課題に対処するために、GNNの固有の帰納バイアスを軽減するマルチスケール近隣認識変換器(MANDATE)を提案する。
具体的には、中央ノードからの距離の様々な位置情報を符号化するマルチスケールな位置符号化戦略を設計する。
自己認識機構を組み込むことで、グローバルなモデリング能力を著しく向上させることができる。
一方、同好および異好の接続に対して異なる埋め込み戦略を設計する。
これにより、良性ノードと不正ノードの相同分布の差異が緩和される。
さらに,マルチリレーショナルグラフに対して埋め込み融合戦略を設計し,異なる関係によって生じる分布バイアスを軽減する。
3つの不正検出データセットの実験は、MANDATEの優位性を示している。
関連論文リスト
- Causal Neighbourhood Learning for Invariant Graph Representations [8.854365724044984]
本稿では,グラフ構造に対する因果的介入を行う新しいフレームワークであるグラフニューラルネットワークを用いた因果学習(CNL-GNN)を提案する。
CNL-GNNは因果関係を効果的に同定し、保存し、刺激的な影響を減少させる。
提案手法は,従来の特徴に基づく手法を超えて因果グラフ学習を改善し,ロバストな分類モデルを実現する。
論文 参考訳（メタデータ） (2026-02-20T01:52:58Z) - 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) - 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) - Robust Node Representation Learning via Graph Variational Diffusion
Networks [7.335425547621226]
近年,グラフ構造における摂動により,GNNに基づくノード表現学習が著しく劣化する可能性が示唆されている。
摂動の存在下で頑健なノード表現を学習するために、GNNを保護するための様々な研究が提案されている。
本稿では,ガウス雑音を効果的に制御し,摂動グラフ上のロバスト性を保護する新しいノードエンコーダであるグラフ変分拡散ネットワーク(GVDN)を提案する。
論文 参考訳（メタデータ） (2023-12-18T03:18:53Z) - Re-Think and Re-Design Graph Neural Networks in Spaces of Continuous
Graph Diffusion Functionals [7.6435511285856865]
グラフニューラルネットワーク(GNN)は、ソーシャルネットワークや生体システムのようなドメインで広く使われている。
GNNのローカリティ仮定は、グラフ内の長距離依存関係とグローバルパターンをキャプチャする能力を損なう。
本稿では,ブラヒクロニスト問題から着想を得た変分解析に基づく新しい帰納バイアスを提案する。
論文 参考訳（メタデータ） (2023-07-01T04:44:43Z) - DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。
GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。
また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文 参考訳（メタデータ） (2023-05-22T10:29:52Z) - Resisting Graph Adversarial Attack via Cooperative Homophilous
Augmentation [60.50994154879244]
最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。
本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。
本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
論文 参考訳（メタデータ） (2022-11-15T11:44:31Z) - 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) - Relation Embedding based Graph Neural Networks for Handling
Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。
具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文 参考訳（メタデータ） (2022-09-23T05:24:18Z) - Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。
EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。
理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2022-02-05T02:31:01Z) - Graph Backdoor [53.70971502299977]
GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。
GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。
トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
論文 参考訳（メタデータ） (2020-06-21T19:45:30Z)
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。