应对服务网络中欺诈检测的噪声与随机性问题
机器学习
2025-05-05 v1 密码学与安全
摘要
欺诈检测在社交服务网络中对于维护用户信任和提高服务网络安全至关重要。现有的基于谱图的方法通过利用不同的图滤波器来捕获服务网络中不同频率的信号，以应对这一挑战。然而，大多数基于图滤波器的方法难以提取干净且具有判别性的图信号。一方面，它们忽略了信息传播过程中的噪声，导致滤波能力下降。另一方面，它们未能区分图信号的频率特异性特征，导致信号融合失真。为解决这些问题，我们基于信息瓶颈理论，开发了一种新颖的谱图网络（SGNN-IB），用于服务网络中的欺诈检测。SGNN-IB将原始图拆分为同配子图和异配子图，以更好地捕获不同频率的信号。针对第一个局限性，SGNN-IB应用信息瓶颈理论来提取编码表示的关键特征。针对第二个局限性，SGNN-IB引入原型学习来实现信号融合，保留信号的频率特异性特征。在三个真实世界数据集上的大量实验表明，SGNN-IB的性能优于最先进的欺诈检测方法。
引用
@article{arxiv.2505.00946,
title = {Addressing Noise and Stochasticity in Fraud Detection for Service Networks},
author = {Wenxin Zhang and Ding Xu and Xi Xuan and Lei Jiang and Guangzhen Yao and Renda Han and Xiangxiang Lang and Cuicui Luo},
journal= {arXiv preprint arXiv:2505.00946},
year = {2025}
}