論文の概要: L2IR: Revealing Latent Intent in Graph Fraud Detection

• arxiv url: http://arxiv.org/abs/2605.26040v1
• Date: Mon, 25 May 2026 17:06:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:20.535452
• Title: L2IR: Revealing Latent Intent in Graph Fraud Detection
• Title（参考訳）: L2IR:グラフフラッド検出における潜入物体の発見
• Authors: Jinsheng Guo, Zhenhao Weng, Yibo Liu, Yan Qiao, Meng Li,
• Abstract要約: 実際に重要な障害は、詐欺師が良心的なユーザーと多くのつながりを築き上げ、しばしば変装することである。 L2IRは、グラフ不正検出のためのLLM駆動の潜入探索フレームワークである。 これはGNNベースの検出器のプラグイン拡張として機能し、AUPRCを最大8.27%改善する。
• 参考スコア（独自算出の注目度）: 13.026392325545267
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph fraud detection has long depended on Graph Neural Networks (GNNs) to propagate and aggregate information across relational data. A critical obstacle in practice, however, is that fraudsters frequently disguise themselves by forging numerous connections with benign users, causing fraud signals to be progressively diluted during neighborhood aggregation and undermining detection reliability. While recent efforts have used Large Language Models (LLMs) to provide rich semantic cues for fraud detection, the underlying intent behind suspicious connections remains insufficiently explored. Compounding this issue, the scarcity of annotated fraud samples makes it difficult to train detectors that remain robust under heavy camouflage. To address these gaps, we propose L2IR, an LLM-driven Latent Intent Revealing framework for graph fraud detection. By uncovering latent intent from both user behaviors and suspicious connections, L2IR extracts intent-aware representations from raw behavioral traces and reasons about the true purpose behind individual connections, effectively distinguishing supportive links from misleading ones. It further incorporates adaptive self-training to enhance robustness under limited supervision. Evaluations on two real-world datasets characterized by pervasive camouflage demonstrate that L2IR surpasses strong baselines and can function as a plug-in enhancement for a range of GNN-based detectors, improving AUPRC by up to 8.27%.
• Abstract（参考訳）: グラフ不正検出は、リレーショナルデータ間で情報を伝達し集約するために、長年、グラフニューラルネットワーク(GNN)に依存してきた。 しかし、実際に重要な障害は、詐欺師が良心的なユーザーと多くのつながりを築き、近隣の集積中に詐欺信号が徐々に希薄化し、検出信頼性を損なうことにある。 近年,不正検出にはLarge Language Models (LLMs) が用いられているが,不審な接続の背後にある基本的な意図はいまだ不十分である。 この問題を総合すると、注釈付き詐欺サンプルの不足は、重いカモフラージュの下で頑丈な検出器の訓練を困難にしている。 グラフ不正検出のためのL2IR, LLM駆動の潜入探索フレームワークを提案する。 ユーザ行動と疑わしい接続の両方から潜伏意図を明らかにすることで、L2IRは、生の行動トレースから意図を意識した表現を抽出し、個々の接続の背後にある真の目的に関する理由を抽出し、サポート的リンクと誤解を招くものとを効果的に区別する。 さらに適応的な自己訓練を取り入れて、限られた監督の下で堅牢性を高める。 広汎なカモフラージュによって特徴づけられる2つの実世界のデータセットの評価は、L2IRが強いベースラインを超え、GNNベースの検出器のプラグイン拡張として機能し、APPRCを最大8.27%改善することを示した。

関連論文リスト

• Corporate Fraud Detection in Rich-yet-Noisy Financial Graph [13.061327697762287]
  企業不正検出は、不正な財務声明や不正なインサイダー取引などの不正行為を行う企業を自動的に認識することを目的としている。 従来の学習ベースの手法では,企業ネットワーク内でのリッチなインタラクションを効果的に統合できない。 中国における18年間の財務記録を分析し、3つのグラフデータセットと不正ラベルを作成します。
  論文  参考訳（メタデータ） (2025-02-26T17:05:54Z)
• 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)
• 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)
• Improving Fraud detection via Hierarchical Attention-based Graph Neural Network [6.7713383844867385]
  不正検出のためのグラフニューラルネットワーク(HA-GNN)は、カモフラージュに対する異なる関係にわたって重み付けされた隣接行列を組み込む。 ローカル/ロングレンジ構造と元のノード特徴から情報を集約してノード埋め込みを生成する。 実世界の3つのデータセットの実験は、最先端技術に対する我々のモデルの有効性を実証している。
  論文  参考訳（メタデータ） (2022-02-12T16:27:16Z)
• 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)
• Enhancing Graph Neural Network-based Fraud Detectors against Camouflaged Fraudsters [78.53851936180348]
  近年の実証研究,すなわち特徴カモフラージュと関係カモフラージュの2種類のカモフラージュを紹介した。 既存のGNNはこれらの2つのカモフラージュに対処していない。 カモフラージュ抵抗型GNN(CARE-GNN)と呼ばれる新しいモデルを提案し、カモフラージュに対する3つのユニークなモジュールを用いたGNN集約プロセスを強化する。
  論文  参考訳（メタデータ） (2020-08-19T22:33:12Z)

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。