无属性图上的深度欺诈检测
机器学习
2021-10-05 v1 社会与信息网络
摘要
欺诈检测问题通常被建模为图上的机器学习问题。近来，图神经网络(GNNs)在欺诈检测中展现出稳健性能。以往多数方法的成功严重依赖丰富的节点特征与高保真标签。然而，在大规模工业问题中标注数据稀缺，尤其对于不断涌现新模式的欺诈检测。同时，受隐私及其他限制节点特征也有限。本文提出两项改进：1)我们设计一种图转换方法以捕获结构信息，从而在无属性欺诈图上便利GNNs。2)我们提出一种新颖的图预训练策略，通过对比学习利用更多无标注数据。在大规模工业数据集上的实验证明了所提框架在欺诈检测中的有效性。
引用
@article{arxiv.2110.01171,
title = {Deep Fraud Detection on Non-attributed Graph},
author = {Chen Wang and Yingtong Dou and Min Chen and Jia Chen and Zhiwei Liu and Philip S. Yu},
journal= {arXiv preprint arXiv:2110.01171},
year = {2021}
}