論文の概要: A Novel Graph Fraud Detector via Grouped Attribute Completion and Confidence-Aware Contrastive Learning

• arxiv url: http://arxiv.org/abs/2607.11107v1
• Date: Mon, 13 Jul 2026 05:35:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.338523
• Title: A Novel Graph Fraud Detector via Grouped Attribute Completion and Confidence-Aware Contrastive Learning
• Title（参考訳）: Grouped Attribute Completion と Confidence-Aware Contrastive Learning を用いた新しいグラフフラッド検出器
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.183200614613901
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph fraud detection plays a pivotal role in safeguarding the security and integrity of modern digital ecosystems. Graph Neural Networks (GNNs) are commonly adopted for graph fraud detection. However, the practical performance of existing GNN-based detectors is severely hindered by incomplete node attributes and extreme class imbalance within graphs. To mitigate these limitations, this paper proposes a novel framework for Graph Fraud Detection with Grouped attribute completion and Confidence-aware Contrastive learning, named GFD-GC. Specifically, it first imitates heterogeneous neighborhood structures to implement group-wise aggregation, which obtains informative complete node features by capturing fine-grained graph contextual patterns. Further, it introduces a confidence-aware supervised contrastive learning strategy to augment scarce labeled fraud nodes with high confidence pseudo-fraud nodes, which enhances the compactness of fraud representations and their separability from non-fraud nodes. Extensive experiments demonstrate the superiority of the proposed GFD-GC over state-of-the-art baselines on the graph fraud detection task, thereby providing an effective solution for real-world fraud scenarios.
• Abstract（参考訳）: グラフ不正検出は、現代のデジタルエコシステムのセキュリティと整合性を保護する上で重要な役割を果たす。 グラフニューラルネットワーク(GNN)は一般的にグラフ不正検出に使用される。 しかし、既存のGNNベースの検出器の実用性能は、グラフ内の不完全ノード属性と極端なクラス不均衡によって著しく阻害されている。 本稿では,これらの制約を緩和するために,GFD-GCという,グループ属性補完と信頼度を考慮したコントラスト学習を備え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。 具体的には、まず不均一な近傍構造を模倣し、グループワイドアグリゲーションを実装する。 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ことを目的として,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擬似詐欺ノードで強化する。 グラフ不正検出タスクの最先端ベースラインよりも提案したGFD-GCの方が優れていることを示し、現実の不正シナリオに対する効果的な解決策を提供する。

関連論文リスト

• Beyond Sparse Supervision: Diffusion-Guided Learning for Few-Shot Graph Fraud Detection [4.923071905608023]
  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。
  論文  参考訳（メタデータ） (2026-06-26T14:34:28Z)
• 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 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)
• 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)
• Transaction Fraud Detection via Spatial-Temporal-Aware Graph Transformer [5.043422340181098]
  本稿では,トランザクション不正検出問題に対する空間時間認識グラフ変換器(STA-GT)と呼ばれる新しいグラフニューラルネットワークを提案する。 具体的には、時間的依存関係を捕捉し、それをグラフニューラルネットワークフレームワークに組み込むための時間的符号化戦略を設計する。 ローカルおよびグローバルな情報を学ぶためのトランスフォーマーモジュールを導入する。
  論文  参考訳（メタデータ） (2023-07-11T08:56:53Z)
• 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)
• Graph Agent Network: Empowering Nodes with Inference Capabilities for Adversarial Resilience [50.460555688927826]
  グラフニューラルネットワーク(GNN)の脆弱性に対処するグラフエージェントネットワーク(GAgN)を提案する。 GAgNはグラフ構造化エージェントネットワークであり、各ノードは1-hop-viewエージェントとして設計されている。 エージェントの限られたビューは、悪意のあるメッセージがGAgNでグローバルに伝播するのを防ぎ、グローバル最適化ベースのセカンダリアタックに抵抗する。
  論文  参考訳（メタデータ） (2023-06-12T07:27:31Z)
• 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)

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。