增强基于图神经网络的欺诈检测器以抵御伪装欺诈者
社会与信息网络
2020-08-21 v1 密码学与安全
机器学习
摘要
近年来，图神经网络（GNNs）已被广泛应用于欺诈检测问题，通过不同关系聚合节点邻域信息来揭示节点的可疑性。然而，先前的工作很少注意到欺诈者的伪装行为，这可能在聚合过程中削弱基于 GNN 的欺诈检测器的性能。本文基于近期的实证研究引入了两类伪装，即特征伪装与关系伪装。现有 GNNs 未能应对这两类伪装，导致其在欺诈检测问题中表现不佳。对此，我们提出一种名为抗伪装图神经网络（CARE-GNN）的新模型，通过三个独特模块增强 GNN 聚合过程以抵御伪装。具体而言，我们首先设计了一种标签感知相似度度量来寻找信息丰富的邻域节点；随后利用强化学习（RL）寻找待选邻居的最优数量；最后将跨不同关系筛选出的邻居聚合在一起。在两个真实世界欺诈数据集上的综合实验证明了 RL 算法的有效性。所提出的 CARE-GNN 也优于最先进的 GNNs 与基于 GNN 的欺诈检测器。我们将所有基于 GNN 的欺诈检测器集成为一个开源工具箱：https://github.com/safe-graph/DGFraud。CARE-GNN 代码与数据集见 https://github.com/YingtongDou/CARE-GNN。
引用
@article{arxiv.2008.08692,
title = {Enhancing Graph Neural Network-based Fraud Detectors against Camouflaged Fraudsters},
author = {Yingtong Dou and Zhiwei Liu and Li Sun and Yutong Deng and Hao Peng and Philip S. Yu},
journal= {arXiv preprint arXiv:2008.08692},
year = {2020}
}
备注
Accepted by CIKM 2020