缓解图神经网络应用于欺诈检测中的不一致性问题
社会与信息网络
2020-07-03 v3 信息检索
机器学习
摘要
基于图的模型可帮助检测线上可疑欺诈。得益于图神经网络（GNNs）的发展，已有研究基于同构图或异构图提出了许多 GNN 欺诈检测框架。这些工作遵循现有 GNN 框架，通过聚合邻居信息来学习节点嵌入，其依赖于邻居共享相似上下文、特征和关系的假设。然而，不一致性问题——即上下文不一致、特征不一致和关系不一致——很少被研究。本文中，我们引入这些不一致性并设计了一个新的 GNN 框架 来解决该问题：（1）针对上下文不一致，我们提出将上下文嵌入与节点特征结合；（2）针对特征不一致，我们设计一致性分数以过滤不一致邻居并生成相应采样概率；（3）针对关系不一致，我们学习与采样节点相关联的关系注意力权重。在四个数据集上的实证分析表明不一致性问题在欺诈检测任务中至关重要。大量实验证明了 的有效性。我们还发布了一个基于 GNN 的欺诈检测工具箱，实现了 SOTA 模型。代码见 https://github.com/safe-graph/DGFraud。
引用
@article{arxiv.2005.00625,
title = {Alleviating the Inconsistency Problem of Applying Graph Neural Network to Fraud Detection},
author = {Zhiwei Liu and Yingtong Dou and Philip S. Yu and Yutong Deng and Hao Peng},
journal= {arXiv preprint arXiv:2005.00625},
year = {2020}
}
备注
Accepted by SIGIR'20. We also released a GNN-based fraud detection toolbox with implementations of SOTA models. The code is available at https://github.com/safe-graph/DGFraud