論文の概要: Evi-VN: Hard Region Guided Virtual Node Evidence Injection for GNN-Based Fraud Detection

• arxiv url: http://arxiv.org/abs/2610.11665v1
• Date: Thu, 08 Oct 2026 10:39:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 11:59:33.752085
• Title: Evi-VN: Hard Region Guided Virtual Node Evidence Injection for GNN-Based Fraud Detection
• Title（参考訳）: Evi-VN:GNNに基づくフラッド検出のためのハードリージョンガイド仮想ノードエビデンスインジェクション
• Abstract要約: オンラインプラットフォームには、ボット、偽りのレビュアー、正統なユーザーを模倣する詐欺アカウントの数が増えている。 このようなカモフラージュは、グラフ近傍と行動特性を曖昧にするため、グラフニューラルネットワーク(GNN)がよく知られた詐欺師と正当なユーザーの両方を区別することは困難である。 多様なGNNにわたって、共有されたハード領域で重複するエラーを観察し、グラフトポロジと標準特徴が捕捉できないという潜伏した不正な証拠の存在を示唆している。 Evi-VNは、GNN間で共有されるハード領域を修正するために、機能分離されたエビデンスチェーンを使用した最初のグラフ不正検出フレームワークである。
• 参考スコア（独自算出の注目度）: 7.614585063774616
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online platforms contain growing numbers of bots, deceptive reviewers, and scam accounts that imitate legitimate users. Such camouflage blurs graph neighborhoods and behavioral attributes, making it difficult for graph neural networks (GNNs) to distinguish both well-disguised fraudsters and legitimate users. Across diverse GNNs, we observe overlapping errors on a shared hard region, suggesting the presence of latent fraud evidence that graph topologies and standard features fail to capture. Fraud-specific GNNs can mitigate particular graph pathologies, yet they still make limited use of heterogeneous evidence such as structured records, text, images, and audio; uniform multimodal fusion may also disturb nodes already handled reliably by the graph. We propose Evi-VN to learn and correct these shared blind spots rather than build another fraud detector. To our knowledge, Evi-VN is the first graph fraud detection framework to use feature isolated evidence chains to correct hard regions shared across GNNs. Its evidence chains connect behavior, content, and context across structured, textual, visual, and acoustic sources, helping expose camouflage that graph neighborhoods may miss. Crucially, Evi-VN selectively applies this evidence only to likely hard samples via virtual class nodes, preserving both the reliable predictions and the input design of existing GNNs. Shared hard regions also let Evi-VN enhance generic, fraud-specific, and unseen GNNs even with imperfect evidence models. Experiments across bot, fake-review, refund-evidence, and telecom-fraud tasks validate these advantages.
• Abstract（参考訳）: オンラインプラットフォームには、ボット、偽りのレビュアー、正統なユーザーを模倣する詐欺アカウントの数が増えている。 このようなカモフラージュは、グラフ近傍と行動特性を曖昧にするため、グラフニューラルネットワーク(GNN)がよく知られた詐欺師と正当なユーザーの両方を区別することは困難である。 多様なGNNにわたって、共有されたハード領域で重複するエラーを観察し、グラフトポロジと標準特徴が捕捉できないという潜伏した不正な証拠の存在を示唆している。 フラッド固有のGNNは、特定のグラフの病理を緩和することができるが、構造化されたレコード、テキスト、画像、オーディオなどの異質な証拠を限定的に利用している。 我々は、他の不正検知器を構築するのではなく、これらの共有盲点を学習し、修正するEvi-VNを提案する。 我々の知る限り、Evi-VNは、GNN間で共有されるハード領域を修正するために、機能分離されたエビデンスチェーンを使用した最初のグラフ不正検出フレームワークである。 そのエビデンスチェーンは、構造化、テキスト、視覚、音響ソースをまたいだ行動、内容、コンテキストを結びつけ、グラフ近傍が見逃すかもしれないカモフラージュを露呈するのに役立つ。 重要なことに、Evi-VNはこの証拠を仮想クラスノードを介してハードサンプルのみに選択的に適用し、信頼性のある予測と既存のGNNの入力設計の両方を保存する。 共有されたハードリージョンはまた、Evi-VNが不完全なエビデンスモデルであっても、ジェネリック、詐欺特有、そして目に見えないGNNを強化することを可能にする。 ボット、偽レビュー、返金証拠、テレコム詐欺などの実験は、これらの利点を実証する。

関連論文リスト

• 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)
• Dual-channel Heterophilic Message Passing for Graph Fraud Detection [2.479294382835474]
  本稿では,不正検出のための新しいフレームワークDHMPを提案する。 DHMPはヘテロフィリ分離モジュールを用いてグラフをホモ親和性およびヘテロ親和性部分グラフに分割し、従来のGNNの低パス誘導バイアスを緩和する。 次に共有重みを適用して、異なる周波数の信号を個別にキャプチャし、トレーニング用にカスタマイズされたサンプリング戦略を組み込む。
  論文  参考訳（メタデータ） (2025-04-19T06:41:24Z)
• Certified Defense on the Fairness of Graph Neural Networks [86.14235652889242]
  グラフニューラルネットワーク(GNN)は,グラフベースのタスクにおいて,目立ったグラフ学習モデルとして登場した。 悪意のある攻撃者は、入力グラフデータに摂動を追加することで、予測の公平度を容易に損なうことができる。 本稿では, ELEGANT というフレームワークを提案し, GNN の公正度レベルにおける認証防御の新たな課題について検討する。
  論文  参考訳（メタデータ） (2023-11-05T20:29:40Z)
• 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)
• 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)
• Alleviating the Inconsistency Problem of Applying Graph Neural Network to Fraud Detection [78.88163190021798]
  不整合問題に対処するために、新しいGNNフレームワークである$mathsfGraphConsis$を導入します。 4つのデータセットの実証分析は、不正検出タスクにおいて不整合の問題が不可欠であることを示唆している。 我々はまた、SOTAモデルを実装したGNNベースの不正検出ツールボックスもリリースした。
  論文  参考訳（メタデータ） (2020-05-01T21:43:58Z)

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。