图欺诈检测的双通道异质性消息传递
机器学习
2025-04-29 v2 人工智能
摘要
欺诈活动在电子商务、在线评论平台和社交网络等多个领域显著增加，使欺诈检测成为关键任务。空间图神经网络 (GNN) 因其强大的归纳学习能力已成功应用于欺诈检测任务。然而，现有的基于空间 GNN 的方法通常通过排除消息传递中的异质性邻居来增强图结构，以符合 GNN 的同质性偏差。不幸的是，这种方法会破坏原始图拓扑结构并增加预测的不确定性。为解决上述局限性，本文提出了一种新框架，用于欺诈检测的双通道异质性消息传递 (DHMP)。DHMP 利用异质性分离模块将图分为同质性和异质性子图，从而缓解传统 GNN 的低通归纳偏差。随后，它对不同频率的信号独立地应用共享权重，并包含自定义的抽样策略进行训练。这允许节点根据其标签自适应地平衡各种信号的贡献。在三个真实数据集上的广泛实验表明，DHMP 优于现有方法，凸显了针对改进欺诈检测分离不同频率信号的重要性。代码已公开。
引用
@article{arxiv.2504.14205,
title = {Dual-channel Heterophilic Message Passing for Graph Fraud Detection},
author = {Wenxin Zhang and Jingxing Zhong and Guangzhen Yao and Renda Han and Xiaojian Lin and Zeyu Zhang and Cuicui Luo},
journal= {arXiv preprint arXiv:2504.14205},
year = {2025}
}