GAT-COBO：面向电信欺诈检测的成本敏感图神经网络
机器学习
2023-03-31 v1 人工智能
摘要
随着 5G 等移动通信技术的快速发展，电信欺诈急剧增加，显著损耗了个人财富与社会财富。近年来，图挖掘技术逐渐成为检测电信欺诈的主流方案。然而，由帕累托原理引发的图不平衡问题给图数据挖掘带来了严峻挑战。这是一个新颖且具挑战性的问题，但以往工作鲜有关注。本文中，我们针对图不平衡问题提出了一种带成本敏感提升的图注意力网络（Graph ATtention network with COst-sensitive BOosting, GAT-COBO）。首先，我们设计了一个基于 GAT 的基分类器来学习图中所有节点的嵌入。然后，我们将嵌入输入一个精心设计的成本敏感学习器以进行不平衡学习。接下来，我们根据误分类成本更新权重，使模型更关注少数类。最后，我们将多个成本敏感学习器获得的节点嵌入求和，得到综合节点表示，用于下游异常检测任务。在两个真实世界电信欺诈检测数据集上的大量实验表明，我们所提方法对图不平衡问题有效，优于最先进的 GNN 与基于 GNN 的欺诈检测器。此外，我们的模型也有助于解决 GNN 中普遍存在的过平滑问题。GAT-COBO 的代码与数据集可在 https://github.com/xxhu94/GAT-COBO 获取。
引用
@article{arxiv.2303.17334,
title = {GAT-COBO: Cost-Sensitive Graph Neural Network for Telecom Fraud Detection},
author = {Xinxin Hu and Haotian Chen and Junjie Zhang and Hongchang Chen and Shuxin Liu and Xing Li and Yahui Wang and Xiangyang Xue},
journal= {arXiv preprint arXiv:2303.17334},
year = {2023}
}