論文の概要: Beyond Sparse Supervision: Diffusion-Guided Learning for Few-Shot Graph Fraud Detection

• arxiv url: http://arxiv.org/abs/2606.28134v1
• Date: Fri, 26 Jun 2026 14:34:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.515851
• Title: Beyond Sparse Supervision: Diffusion-Guided Learning for Few-Shot Graph Fraud Detection
• Title（参考訳）: スパース・スーパービジョンを超えて:Few-Shot Graph Fraud検出のための拡散誘導学習
• Abstract要約: 本稿では,拡散誘導機能強化,コントラスト表現学習,マルチホップスペクトルアテンションを組み合わせた統合フレームワークであるADC-GNNを提案する。 ADC-GNNを主に3つの公開ベンチマークで評価し、プライベートケーススタディとして約6万レコードのプロプライエタリな実世界のテレコムトランザクションデータセットを報告した。
• 参考スコア（独自算出の注目度）: 4.923071905608023
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-based fraud detection is essential for safeguarding large-scale transaction systems, where undetected anomalies may lead to substantial financial losses and security risks. Real-world fraud graphs pose two coupled challenges: sparse and imbalanced supervision, where verified fraudulent labels are scarce and heavily skewed toward benign accounts, and representation dilution, where spatial message passing may oversmooth camouflaged anomalies while spectral filters may suppress fraud-relevant mid- and high-frequency irregularities. To address these challenges, we propose ADC-GNN, short for Attention-guided Diffusion-Contrastive Graph Neural Network, a unified framework that combines diffusion-guided feature augmentation, contrastive representation learning, and multi-hop spectral attention for few-shot graph fraud detection. The diffusion component is formulated as a feature-space denoising augmentation mechanism rather than a full topology-generative graph diffusion model: it constructs noise-perturbed node-feature views under a cosine schedule and uses contrastive learning to stabilize node representations across perturbations. The spectral attention module further adaptively emphasizes fraud-relevant hop-level and relation-level cues. We evaluate ADC-GNN primarily on three public benchmarks and additionally report a proprietary real-world telecom transaction dataset with approximately 60,000 records as a private case study. Under the 1% training setting, ADC-GNN achieves consistent improvements over original graph fraud baselines and four protocol-consistent recent graph anomaly/fraud baselines on the public benchmarks. Additional analyses on split stability, training ratios, oversampling alternatives, module-level ablations, diffusion schedules, and runtime and memory-consumption comparisons further characterize the effective operating regime of ADC-GNN.
• Abstract（参考訳）: グラフベースの不正検出は大規模な取引システムの保護に不可欠であり、未検出の異常が重大な損失とセキュリティリスクにつながる可能性がある。 現実の不正グラフは、スパースとアンバランスな監視、不正ラベルの検証が不十分で良質なアカウントに強く歪められている、表現の希釈、空間的メッセージパッシングがカモフラージュされた異常を平らにし、スペクトルフィルターは不正関連の中・高頻度の不規則性を抑える、という2つの複合的な課題を提起する。 これらの課題に対処するため,ADC-GNN(Attention-guided Diffusion-Contrastive Graph Neural Network)を提案する。 拡散成分は、完全なトポロジ生成グラフ拡散モデルではなく、特徴空間デノベーション拡張機構として定式化され、コサインスケジュールの下でノイズ摂動ノード特徴ビューを構築し、コントラスト学習を用いて摂動間のノード表現を安定化する。 スペクトルアテンションモジュールは、詐欺関連ホップレベルおよび関係レベルキューをさらに強調する。 ADC-GNNは主に3つの公開ベンチマークに基づいて評価し、また、約6万レコードのプロプライエタリな実世界のテレコムトランザクションデータセットをプライベートケーススタディとして報告する。 1%のトレーニング設定の下で、ADC-GNNは、オリジナルのグラフ不正ベースラインと4つのプロトコル一貫性のある最新のグラフ異常/不正ベースラインに対して、公開ベンチマークで一貫した改善を達成している。 分割安定性、トレーニング比率、オーバーサンプリング代替品、モジュールレベルの短縮、拡散スケジュール、実行時とメモリ消費の比較に関する追加分析により、ADC-GNNの効果的な運用体制がさらに特徴づけられる。

関連論文リスト

• A Novel Graph Fraud Detector via Grouped Attribute Completion and Confidence-Aware Contrastive Learning [5.183200614613901]
  本稿では,GFD-GCという,グループ補完と信頼を意識したコントラスト学習を用いたグラフフラッド検出のための新しいフレームワークを提案する。 グループワイドアグリゲーションを実装するために、まず不均一な近傍構造を模倣し、微細なグラフコンテキストパターンをキャプチャすることで、情報的な完全ノード特徴を得る。 さらに,不正表現のコンパクト化と非詐欺ノードからの分離性を高めるため,信頼度に配慮した教師付きコントラスト学習戦略を導入し,ラベル付き不正ノードを高信頼な擬似詐欺ノードで強化する。
  論文  参考訳（メタデータ） (2026-07-13T05:35:57Z)
• FedCIGAR: A Personalized Reconstruction Approach for Federated Graph-level Anomaly Detection [51.473064583839296]
  クラスタ適応型GAted Reconstruction (FedCIGAR) を用いた新しいフェデレーショングラフレベルの異常検出手法を提案する。 具体的には、合成データを避けるために、正規グラフに基づいて訓練された再構成に基づくパラダイムを設計し、さらに、クライアント側ノードコントリビューションゲーティング機構とサーバ側スライディングウィンドウベースのクラスタリング戦略を導入し、データの不均一性に対処する。
  論文  参考訳（メタデータ） (2026-05-10T09:03:54Z)
• 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)
• A Multi-Scale Graph Learning Framework with Temporal Consistency Constraints for Financial Fraud Detection in Transaction Networks under Non-Stationary Conditions [6.8063643637119275]
  STC-MixHopは空間的多分解能伝搬と軽量時間整合性モデリングを組み合わせたグラフベースのフレームワークである。 このフレームワークは,厳密な時間分割の下でPaySimデータセット上で評価する。 その結果, STC-MixHopはグラフ手法間で競合し, 高い不均衡条件下で強いスクリーニング指向のリコールを実現することがわかった。
  論文  参考訳（メタデータ） (2026-03-15T20:30:02Z)
• Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
  安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。 本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。 9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
  論文  参考訳（メタデータ） (2026-02-09T22:48:30Z)
• FreeGAD: A Training-Free yet Effective Approach for Graph Anomaly Detection [54.576802512108685]
  Graph Anomaly Detection (GAD)は、グラフ内の多数から逸脱するノードを特定することを目的としている。 既存のアプローチは、複雑でリソース集約的なトレーニングプロセスのために、高デプロイメントコストとスケーラビリティの不足に悩まされることが多い。 新たなGAD法であるFreeGADを提案する。
  論文  参考訳（メタデータ） (2025-08-14T12:37:20Z)
• Mitigating Message Imbalance in Fraud Detection with Dual-View Graph Representation Learning [39.159267908648935]
  フラッド検出(MimbFD)におけるメッセージの不均衡を軽減するための2視点グラフ表現学習法を提案する。 具体的には、高品質なノード表現学習のためのトポロジメッセージリーチビリティモジュールを設計し、詐欺師のカモフラージュを浸透させ、不十分な伝播を緩和する。 その結果,MimbFDは不正検出において優れた性能を示した。
  論文  参考訳（メタデータ） (2025-07-09T01:00:55Z)
• Rethinking Contrastive Learning in Graph Anomaly Detection: A Clean-View Perspective [54.605073936695575]
  グラフ異常検出は、Webセキュリティやファイナンシャル不正検出などの分野で広く応用されているグラフベースのデータにおいて、異常なパターンを特定することを目的としている。 既存の手法は対照的な学習に依存しており、ノードとその局所部分グラフの間のより低い類似性は異常を示すと仮定する。 干渉エッジの存在は、対照的な学習過程を損なう破壊的なノイズをもたらすため、この仮定を無効にする。 コントラスト学習プロセスにおいて重要な干渉源を特定するために,複数スケールの異常認識モジュールを含むクリーンビュー拡張グラフ異常検出フレームワーク(CVGAD)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T15:05:56Z)
• 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)
• Enhancing Fairness in Unsupervised Graph Anomaly Detection through Disentanglement [33.565252991113766]
  グラフ異常検出(GAD)は、金融詐欺検出から偽ニュース検出まで、さまざまなアプリケーションにおいてますます重要になっている。 現在のGAD法は主に公平性の問題を見落としており、特定の人口集団に対して差別的な決定が下される可能性がある。 DeFENDという属性グラフ上に,DisEntangle-based FairnEss-aware aNomaly Detectionフレームワークを考案した。 実世界のデータセットに対する実証的な評価から、DEFENDはGADにおいて効果的に機能し、最先端のベースラインと比較して公正性を著しく向上することが明らかとなった。
  論文  参考訳（メタデータ） (2024-06-03T04:48:45Z)
• Few-shot Message-Enhanced Contrastive Learning for Graph Anomaly Detection [15.757864894708364]
  グラフ異常検出は、多数派から大きく逸脱するグラフデータの例外的なインスタンスを特定する上で重要な役割を果たす。 我々はFMGADと呼ばれる新しい数ショットグラフ異常検出モデルを提案する。 FMGADは, 人工的に注入された異常やドメイン・有機異常によらず, 他の最先端手法よりも優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2023-11-17T07:49:20Z)
• From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale Contrastive Learning Approach [26.973056364587766]
  グラフデータからの異常検出は、ソーシャルネットワーク、金融、eコマースなど、多くのアプリケーションにおいて重要なデータマイニングタスクである。 マルチスケールcONtrastive lEarning(略してANEMONE)を用いた新しいフレームワーク, graph Anomaly dEtection フレームワークを提案する。 グラフニューラルネットワークをバックボーンとして、複数のグラフスケール(ビュー)から情報をエンコードすることで、グラフ内のノードのより良い表現を学習する。
  論文  参考訳（メタデータ） (2022-02-11T09:45:11Z)

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。