論文の概要: Graph-Based Fraud Detection with Dual-Path Graph Filtering

• arxiv url: http://arxiv.org/abs/2604.14235v1
• Date: Tue, 14 Apr 2026 20:46:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:29.935327
• Title: Graph-Based Fraud Detection with Dual-Path Graph Filtering
• Title（参考訳）: デュアルパスグラフフィルタを用いたグラフベースフラッド検出
• Authors: Wei He, Wensheng Gan, Philip S. Yu,
• Abstract要約: グラフデータの不正検出には、異なるタイプのノードを区別する必要がある。 本稿では,デュアルパスグラフフィルタを用いたグラフベースフラッド検出モデルを提案する。 4つの実世界の金融不正検出データセットの実験により,提案手法の有効性が示された。
• 参考スコア（独自算出の注目度）: 52.459703746017624
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fraud detection on graph data can be viewed as a demanding task that requires distinguishing between different types of nodes. Because graph neural networks (GNNs) are naturally suited for processing information encoded in graph form through their message-passing operations, methods based on GNN models have increasingly attracted attention in the fraud detection domain. However, fraud graphs inherently exhibit relation camouflage, high heterophily, and class imbalance, causing most GNNs to underperform in fraud detection tasks. To address these challenges, this paper proposes a Graph-Based Fraud Detection Model with Dual-Path Graph Filtering (DPF-GFD). DPF-GFD first applies a beta wavelet-based operator to the original graph to capture key structural patterns. It then constructs a similarity graph from distance-based node representations and applies an improved low-pass filter. The embeddings from the original and similarity graphs are fused through supervised representation learning to obtain node features, which are finally used by an ensemble tree model to assess the fraud risk of unlabeled nodes. Unlike existing single-graph smoothing approaches, DPF-GFD introduces a frequency-complementary dual-path filtering paradigm tailored for fraud detection, explicitly decoupling structural anomaly modeling and feature similarity modeling. This design enables more discriminative and stable node representations in highly heterophilous and imbalanced fraud graphs. Comprehensive experiments on four real-world financial fraud detection datasets demonstrate the effectiveness of our proposed method.
• Abstract（参考訳）: グラフデータの不正検出は、異なるタイプのノードを区別する必要がある要求のあるタスクと見なすことができる。 グラフニューラルネットワーク(GNN)は、メッセージパス操作を通じてグラフ形式で符号化された情報を処理するのに自然に適しているため、GNNモデルに基づく手法は詐欺検出領域で注目を集めている。 しかし、不正グラフは本質的に関係カモフラージュ、高いヘテロフィリー、クラス不均衡を示すため、ほとんどのGNNは不正検出タスクでは性能が劣る。 これらの課題に対処するために,Dual-Path Graph Filtering (DPF-GFD) を用いたグラフベースフラッド検出モデルを提案する。 DPF-GFDはまず、最初のグラフにベータウェーブレットベースの演算子を適用して、重要な構造パターンをキャプチャする。 その後、距離に基づくノード表現から類似性グラフを構築し、改善されたローパスフィルタを適用した。 元のグラフと類似グラフからの埋め込みは、教師付き表現学習によって融合され、ノードの特徴が得られ、アンサンブルツリーモデルによって最終的に使われ、未ラベルノードの不正なリスクを評価する。 DPF-GFDは、既存のシングルグラフスムースティングアプローチとは異なり、不正検出に適した周波数補間デュアルパスフィルタリングパラダイムを導入し、構造異常モデリングと特徴類似性モデリングを明示的に分離する。 この設計により、高い異種性と不均衡な不正グラフにおけるより差別的で安定したノード表現が可能になる。 4つの実世界の金融不正検出データセットに関する総合実験により,提案手法の有効性を実証した。

関連論文リスト

• ADA-GAD: Anomaly-Denoised Autoencoders for Graph Anomaly Detection [84.0718034981805]
  我々はAnomaly-Denoized Autoencoders for Graph Anomaly Detection (ADA-GAD)という新しいフレームワークを導入する。 第1段階では,異常レベルを低減したグラフを生成する学習自由な異常化拡張法を設計する。 次の段階では、デコーダは元のグラフで検出するために再訓練される。
  論文  参考訳（メタデータ） (2023-12-22T09:02:01Z)
• Revisiting Graph-Based Fraud Detection in Sight of Heterophily and Spectrum [26.62679288320554]
  グラフベースの不正検出(GFD)は、半教師付きノードバイナリ分類タスクとして困難なものと見なすことができる。 本稿では,セミ教師付きGNNベースの詐欺検知器SEC-GFDを提案する。 4つの実世界の不正検出データセットの総合的な実験結果は、SEC-GFDが他の競合グラフベースの不正検出よりも優れていることを示している。
  論文  参考訳（メタデータ） (2023-12-11T15:18:51Z)
• Dynamic Relation-Attentive Graph Neural Networks for Fraud Detection [5.294604210205507]
  グラフベースの不正検出手法は、このタスクを2つのクラス(詐欺または正常)の分類問題と見なしている。 グラフニューラルネットワーク (GNN) を用いて, 動的関係・係り受けアグリゲーション機構の提案により, この問題に対処する。 実験結果から,本手法のDRAGは,実世界のベンチマークデータセットにおいて,最先端の不正検出手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-10-06T11:41:38Z)
• BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
  自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。 ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
  論文  参考訳（メタデータ） (2023-07-28T00:44:57Z)
• 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 Graph-level Anomaly Detection by Glocal Knowledge Distillation [61.39364567221311]
  グラフレベルの異常検出(GAD)は、その構造やノードの特徴に異常なグラフを検出する問題を記述している。 GADの課題の1つは、局所的および大域的非正則グラフの検出を可能にするグラフ表現を考案することである。 本稿では,グラフとノード表現の連成ランダム蒸留により,グローバルおよびローカルな正規パターン情報を豊富に学習するGADのための新しい深部異常検出手法を提案する。
  論文  参考訳（メタデータ） (2021-12-19T05:04:53Z)
• 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)
• Alleviating the Inconsistency Problem of Applying Graph Neural Network to Fraud Detection [78.88163190021798]
  不整合問題に対処するために、新しいGNNフレームワークである$mathsfGraphConsis$を導入します。 4つのデータセットの実証分析は、不正検出タスクにおいて不整合の問題が不可欠であることを示唆している。 我々はまた、SOTAモデルを実装したGNNベースの不正検出ツールボックスもリリースした。
  論文  参考訳（メタデータ） (2020-05-01T21:43:58Z)

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。