論文の概要: TRAVELFRAUDBENCH: A Configurable Evaluation Framework for GNN Fraud Ring Detection in Travel Networks

• arxiv url: http://arxiv.org/abs/2604.21093v1
• Date: Wed, 22 Apr 2026 21:23:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.182031
• Title: TRAVELFRAUDBENCH: A Configurable Evaluation Framework for GNN Fraud Ring Detection in Travel Networks
• Title（参考訳）: TRAVELFRAUDBENCH:旅行ネットワークにおけるGNNフラッドリング検出のための構成可能な評価フレームワーク
• Authors: Bhavana Sajja,
• Abstract要約: TravelBench(TFG)は、旅行プラットフォームグラフの不正リング検出におけるグラフニューラルネットワーク(GNN)の評価ベンチマークである。 TFGは3つの旅行特化リングをシミュレートする - チケット(共有デバイス/IPクラスタを持つ星型トポロジー)、ゴーストホテルスキーム(リビューア×ホテル二部閥)、テイクオーバーリング(ロイヤリティ転送チェーン)。 それぞれのリングが1つのパーティションに完全に現れるリングベースの分割の下で,MLP, GraphSAGE, RGCN-proj, HAN, RGCN, PC-GNNの6つの手法を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce TravelFraudBench (TFG), a configurable benchmark for evaluating graph neural networks (GNNs) on fraud ring detection in travel platform graphs. Existing benchmarks--YelpChi, Amazon-Fraud, Elliptic, PaySim--cover single node types or domain-generic patterns with no mechanism to evaluate across structurally distinct fraud ring topologies. TFG simulates three travel-specific ring types--ticketing fraud (star topology with shared device/IP clusters), ghost hotel schemes (reviewer x hotel bipartite cliques), and account takeover rings (loyalty transfer chains)--in a heterogeneous graph with 9 node types and 12 edge types. Ring size, count, fraud rate, scale (500 to 200,000 nodes), and composition are fully configurable. We evaluate six methods--MLP, GraphSAGE, RGCN-proj, HAN, RGCN, and PC-GNN--under a ring-based split where each ring appears entirely in one partition, eliminating transductive label leakage. GraphSAGE achieves AUC=0.992 and RGCN-proj AUC=0.987, outperforming the MLP baseline (AUC=0.938) by 5.5 and 5.0 pp, confirming graph structure adds substantial discriminative power. HAN (AUC=0.935) is a negative result, matching the MLP baseline. On the ring recovery task (>=80% of ring members flagged simultaneously), GraphSAGE achieves 100% recovery across all ring types; MLP recovers only 17-88%. The edge-type ablation shows device and IP co-occurrence are the primary signals: removing uses_device drops AUC by 5.2 pp. TFG is released as an open-source Python package (MIT license) with PyG, DGL, and NetworkX exporters and pre-generated datasets at https://huggingface.co/datasets/bsajja7/travel-fraud-graphs, with Croissant metadata including Responsible AI fields.
• Abstract（参考訳）: 本稿では,旅行プラットフォームグラフにおける不正リング検出におけるグラフニューラルネットワーク(GNN)の評価のための,設定可能なベンチマークであるTravelFraudBench(TFG)を紹介する。 既存のベンチマーク、-YelpChi、Amazon-Fraud、Elliptic、PaySimは、構造的に異なる不正リングトポロジを評価するメカニズムのない単一のノードタイプやドメインジェネリックパターンを探索する。 TFGは3つの旅行特化リングをシミュレートする - チケット詐欺(共有デバイス/IPクラスタを持つ星のトポロジー)、ゴーストホテルスキーム(リビューア x ホテル二部会のクリエイト)、テイクオーバリング(ロイヤリティ転送チェーン) - 9つのノードタイプと12のエッジタイプを持つ不均一グラフ。 リングサイズ、カウント、不正率、スケール(500から200,000ノード)、構成は完全に構成可能である。 我々は,各リングが1つの分割に完全に現れるリングベース分割の下で,MLP, GraphSAGE, RGCN-proj, HAN, RGCN, PC-GNNの6つの手法を評価する。 GraphSAGE は AUC=0.992 と RGCN-proj AUC=0.987 を達成し、MLPベースライン(AUC=0.938)を 5.5 と 5.0 pp で上回った。 HAN(AUC=0.935)は、MLPベースラインと一致する負の結果である。 リングリカバリタスク(=80%のリングメンバーが同時にフラグ付けされている)では、GraphSAGEは全リングタイプで100%リカバリを達成するが、MLPは17-88%しかリカバリできない。 エッジ型アブレーションは、デバイスとIP共起が主信号である: use_device drops AUCを5.2 pp.で除去する。 TFGは、PyG、DGL、NetworkXエクスポートとhttps://huggingface.co/datasets/bsajja7/travel-fraud-graphsでプレ生成データセットを備えたオープンソースのPythonパッケージ(MITライセンス)としてリリースされ、Responsible AIフィールドを含むCroissantメタデータがある。

関連論文リスト

• ATLAS: Constitution-Conditioned Latent Geometry and Redistribution Across Language Models and Neural Perturbation Data [0.0]
  構成条件付きポストトレーニングは、モデルが学習した表現幾何学の構造化摂動として分析することができる。 グラフ, モデル, 基板間の構成による隠れ状態構造をトレースする, 幾何学第一のプログラムATLASを紹介する。
  論文  参考訳（メタデータ） (2026-04-19T23:26:02Z)
• Graph-Based Fraud Detection with Dual-Path Graph Filtering [52.459703746017624]
  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。
  論文  参考訳（メタデータ） (2026-04-14T20:46:36Z)
• DPGAN: A Dual-Path Generative Adversarial Network for Missing Data Imputation in Graphs [17.847551850315895]
  本稿では,DPGAN(Dual-Pathrative Adversarial Network)と呼ばれる新しいフレームワークを提案する。 DPGANは、欠落したデータと同時に処理し、過度にスムースな問題を回避することができる。 さまざまなベンチマークデータセットにわたる総合的な実験は、DPGANが既存の最先端の計算アルゴリズムよりも優れていなくても、一貫して競合していることを裏付けている。
  論文  参考訳（メタデータ） (2024-04-26T05:26:10Z)
• G3Reg: Pyramid Graph-based Global Registration using Gaussian Ellipsoid Model [21.189016878269104]
  本研究では,LiDAR点雲の高速かつ堅牢なグローバル登録のための新しいフレームワークであるG3Regを紹介する。 従来の複雑なキーポイントや記述子とは対照的に、基本的な幾何学的プリミティブを抽出する。 本稿では,グローバル登録のためのピラミッドグラフに基づく不信検証方式を提案する。
  論文  参考訳（メタデータ） (2023-08-22T17:23:00Z)
• Graph Anomaly Detection at Group Level: A Topology Pattern Enhanced Unsupervised Approach [25.383587951822964]
  本稿では,グループレベルグラフ異常検出(Gr-GAD)と呼ばれる新しいタスクのための教師なしフレームワークを提案する。 提案フレームワークはまず,長距離不整合を捕捉して潜在的な異常グループに属するアンカーノードを特定するために,グラフオートエンコーダ(GAE)の変種を用いる。 実世界のデータセットと合成データセットの両方の実験結果から,提案フレームワークは異常群を同定および局所化する上で優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2023-08-02T10:22:04Z)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• SCGC : Self-Supervised Contrastive Graph Clustering [1.1470070927586016]
  グラフクラスタリングはネットワーク内のグループやコミュニティを検出する。 オートエンコーダのような深層学習手法は、豊富な構造情報を組み込むことはできない。 自己監督型コントラストグラフクラスタリング(SCGC)を提案する。
  論文  参考訳（メタデータ） (2022-04-27T01:38:46Z)
• Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with Heterophily [58.76759997223951]
  我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。 また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
  論文  参考訳（メタデータ） (2022-03-19T14:26:43Z)
• A Variational Edge Partition Model for Supervised Graph Representation Learning [51.30365677476971]
  本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。 それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。 エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T14:37:50Z)
• Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
  本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。 我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
  論文  参考訳（メタデータ） (2021-07-03T01:28:42Z)

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。