2SFGL：一种简单且鲁棒的基于图的欺诈检测协议
密码学与安全
2023-10-13 v1 人工智能
摘要
使用图学习进行金融犯罪检测可提升金融安全与效率。然而，犯罪分子可能跨不同机构实施金融犯罪以规避检测，这增加了仅使用本地数据进行图学习的金融机构的检测难度。由于大多数金融机构受到严格的数据隐私保护法规约束，训练数据往往相互隔离，常规学习技术无法应对该问题。联邦学习（FL）允许多个机构在不相互暴露数据集的情况下训练模型，从而确保数据隐私保护。本文提出一种新颖的两阶段联邦图学习方法（2SFGL）：2SFGL 的第一阶段涉及多方图的虚拟融合，第二阶段涉及在虚拟图上的模型训练与推断。我们基于 FraudAmazonDataset 与 FraudYelpDataset 在一个常规欺诈检测任务上评估了我们的框架。实验结果表明，将 GCN（图卷积网络）与我们的 2SFGL 框架集成应用于同一任务，在若干典型指标上相比仅使用 FedAvg 的情况性能提升 17.6%–30.2%，而将 GraphSAGE 与 2SFGL 集成相比仅使用 FedAvg 的情况性能提升 6%–16.2%。我们得出结论：所提框架是一种鲁棒且简单的协议，可轻松集成到已有的基于图的欺诈检测方法中。
引用
@article{arxiv.2310.08335,
title = {2SFGL: A Simple And Robust Protocol For Graph-Based Fraud Detection},
author = {Zhirui Pan and Guangzhong Wang and Zhaoning Li and Lifeng Chen and Yang Bian and Zhongyuan Lai},
journal= {arXiv preprint arXiv:2310.08335},
year = {2023}
}
备注
IEEE