反本福德子图：金融网络中的无监督异常检测
社会与信息网络
2022-05-27 v1 计算工程、金融与科学
摘要
本福德定律描述了广泛数值数据（包括税务记录与选举结果）中首位数字的分布，并已被用于标记数据中如逃税等潜在异常的“红旗”。本文提出一个新颖问题：给定一个大型交易或金融图，如何找到一组彼此间进行大量交易且显著偏离本福德定律的节点？我们提出了建立在成熟统计原理之上的反本福德子图框架。此外，我们设计了一种高效算法，可在真实数据上以近线性时间找到反本福德子图。我们在真实与合成数据上针对多种竞争方法评估了我们的框架。实证表明，所提框架能够检测出最先进基于图的异常检测方法未能发现的加密货币交易网络中的异常子图。我们的实证发现显示，我们的框架能够挖掘异常子图，并为金融交易数据提供新颖见解。代码与数据集可在 \url{https://github.com/tsourakakis-lab/antibenford-subgraphs} 获取。
引用
@article{arxiv.2205.13426,
title = {AntiBenford Subgraphs: Unsupervised Anomaly Detection in Financial Networks},
author = {Tianyi Chen and Charalampos E. Tsourakakis},
journal= {arXiv preprint arXiv:2205.13426},
year = {2022}
}
备注
Accepted at KDD'22