論文の概要: Let Relations Speak: An End-to-End LLM-GNN Soft Prompt Framework for Fraud Detection

• arxiv url: http://arxiv.org/abs/2605.28524v1
• Date: Wed, 27 May 2026 14:21:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.108415
• Title: Let Relations Speak: An End-to-End LLM-GNN Soft Prompt Framework for Fraud Detection
• Title（参考訳）: Let Relations Speak: フラッド検出のためのLLM-GNNソフトプロンプトフレームワーク
• Authors: Zhixing Zuo, Huilin He, Jiasheng Wu, Dawei Cheng,
• Abstract要約: 本稿では,テキストに依存しないソフトプロンプトを用いて,グラフ構造と意味空間をブリッジするLGSPFを提案する。 我々は,マルチリレーショナルトポロジをグラフトークンに変換するための並列グラフニューラルネットワーク(GNN)エンコーダを導入する。 種々の不正検出ベンチマークによる実験により,本手法が最先端の性能を達成することを示す。
• 参考スコア（独自算出の注目度）: 19.75490480363489
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, Large Language Models (LLMs) have shown great capability in processing graph tasks such as fraud detection. However, most existing methods rely heavily on rich text attributes, which poses difficulties for this domain due to the lack of textual data. Although some pioneering methods attempt to overcome it, their textualization of graph structures via hard prompts easily leads to feature distortion. Additionally, fraud detection often exhibits multi-relational complexity, where current methods struggle to capture this deep semantic information. To address these challenges, we propose LLM-GNN Soft Prompt Framework (LGSPF). Specifically, LGSPF bridges the graph structure and semantic space using soft prompt to eliminate reliance on text. We further introduce a parallel Graph Neural Network (GNN) encoder to translate multi-relational topologies into graph tokens for fine-grained LLM fraud comprehension. Through end-to-end optimization, LGSPF enhances deep semantic alignment between LLM and GNN. Experiments across diverse fraud detection benchmarks demonstrate our method achieves state-of-the-art performance. Moreover, we further validate the contribution of LGSPF on enhancing the semantic interpretability of fraud behaviors.
• Abstract（参考訳）: 近年,Large Language Models (LLM) は不正検出などのグラフ処理に優れた能力を示している。 しかし、既存のほとんどのメソッドはリッチテキスト属性に大きく依存しており、テキストデータがないため、この領域では困難である。 いくつかの先駆的な手法はそれを克服しようとするが、ハードプロンプトによるグラフ構造のテキスト化は、容易に特徴の歪みにつながる。 さらに、不正検出は、この深いセマンティックな情報を捉えるのに、現在の手法では苦労している、多重関係の複雑さを示すことが多い。 これらの課題に対処するため,LLM-GNN Soft Prompt Framework (LGSPF)を提案する。 具体的には、LGSPFはテキストへの依存をなくすためにソフトプロンプトを使ってグラフ構造と意味空間をブリッジする。 さらに,マルチリレーショナルトポロジをグラフトークンに変換するための並列グラフニューラルネットワーク(GNN)エンコーダを導入する。 エンドツーエンドの最適化により、LGSPFはLLMとGNNの深いセマンティックアライメントを強化する。 種々の不正検出ベンチマークによる実験により,本手法が最先端の性能を達成することを示す。 さらに,LGSPFが不正行為の意味的解釈可能性の向上に寄与していることについても検証した。

関連論文リスト

• Autonomous Chain-of-Thought Distillation for Graph-Based Fraud Detection [73.9189065770752]
  テキスト分散グラフ(TAG)上のグラフベースの不正検出には、リッチテキストセマンティクスとリレーショナル依存関係を共同でモデル化する必要がある。 我々は,自律型グラフ認識チェーン(CoT)推論とスケーラブルなLLM-GNN協調学習を通じて,TAGに基づく不正検出を促進する統一フレームワークであるFraudCoTを提案する。
  論文  参考訳（メタデータ） (2026-01-30T13:12:12Z)
• Efficient Code Analysis via Graph-Guided Large Language Models [14.569998138597393]
  本稿では,大規模言語モデルによる悪意ある行動のローカライズ能力を高めるグラフ中心の注意獲得パイプラインを提案する。 このアプローチはプロジェクトをコードグラフに解析し、LLMを使用してノードに意味的および構造的なシグナルをエンコードし、疎い監視の下でグラフニューラルネットワーク(GNN)をトレーニングする。
  論文  参考訳（メタデータ） (2026-01-19T09:42:00Z)
• GRIL: Knowledge Graph Retrieval-Integrated Learning with Large Language Models [59.72897499248909]
  本稿では,Large Language Models (LLM) を用いたエンドツーエンド学習のための新しいグラフ検索手法を提案する。 抽出したサブグラフでは, 構造的知識と意味的特徴をそれぞれ軟式トークンと言語化グラフで符号化し, LLMに注入する。 提案手法は、複雑な推論タスクに対する結合グラフ-LLM最適化の強みを検証し、最先端の性能を一貫して達成する。
  論文  参考訳（メタデータ） (2025-09-20T02:38:00Z)
• DGP: A Dual-Granularity Prompting Framework for Fraud Detection with Graph-Enhanced LLMs [55.13817504780764]
  実世界の不正検出アプリケーションは、しばしばテキストデータに富んだノード特徴とグラフ構造情報を共同で活用するグラフ学習技術の恩恵を受ける。 グラフ強化LSMは、グラフ情報をプロンプトに変換する、有望なグラフ学習アプローチとして登場します。 目的ノードの細粒度テキストの詳細を保存し,情報過負荷を軽減するDGPを提案する。
  論文  参考訳（メタデータ） (2025-07-29T10:10:47Z)
• Can LLMs Find Fraudsters? Multi-level LLM Enhanced Graph Fraud Detection [6.370086864615097]
  我々は、MLEDと呼ばれる、textbfMultiレベルのtextbfLLM textbfEnhanced Graph Fraud textbfDetectionフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-16T07:50:43Z)
• All Against Some: Efficient Integration of Large Language Models for Message Passing in Graph Neural Networks [51.19110891434727]
  事前訓練された知識と強力なセマンティック理解能力を持つ大規模言語モデル(LLM)は、最近、視覚とテキストデータを使用してアプリケーションに恩恵をもたらす顕著な能力を示している。 E-LLaGNNは、グラフから限られたノード数を増やして、グラフ学習のメッセージパッシング手順を強化するオンデマンドLLMサービスを備えたフレームワークである。
  論文  参考訳（メタデータ） (2024-07-20T22:09:42Z)
• Multi-View Empowered Structural Graph Wordification for Language Models [12.22063024099311]
  本稿では,LLM-graphアライメントのためのエンドツーエンドのモダリティアライメントフレームワークについて紹介する。 提案手法は LLM とのトークンレベルアライメントを容易にするために設計されており,グラフの内在的' を理解可能な自然言語に効果的に翻訳することができる。 我々のフレームワークは、LLMとGNN間のトークンレベルのアライメントを実現するための、有望な試みである、ある視覚的解釈可能性、効率、堅牢性を保証する。
  論文  参考訳（メタデータ） (2024-06-19T16:43:56Z)
• Parameter-Efficient Tuning Large Language Models for Graph Representation Learning [62.26278815157628]
  Graph-awareを導入します。 GPEFT - グラフ表現学習のための新しい手法。 グラフニューラルネットワーク(GNN)を用いて、隣接するノードからグラフプロンプトに構造情報をエンコードする。 我々は8つの異なるテキストリッチグラフで実施した総合的な実験を通じて,リンク予測評価において hit@1 と Mean Reciprocal Rank (MRR) の平均 2% の改善を観察し,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-04-28T18:36:59Z)
• Software Vulnerability Detection via Deep Learning over Disaggregated Code Graph Representation [57.92972327649165]
  この研究は、コードコーパスから安全でないパターンを自動的に学習するためのディープラーニングアプローチを探求する。 コードには解析を伴うグラフ構造が自然に認められるため,プログラムの意味的文脈と構造的規則性の両方を利用する新しいグラフニューラルネットワーク(GNN)を開発する。
  論文  参考訳（メタデータ） (2021-09-07T21:24:36Z)

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。