基于全局置信度的图神经网络用于金融欺诈检测
机器学习
2024-08-20 v2
摘要
图神经网络（GNN）因其处理图结构金融数据的卓越能力以及通过聚合邻居信息来建模多层连接而在金融欺诈检测中广泛应用。然而，这些GNN方法关注从邻居层面提取信息，却忽略了全局视角。本文提出了全局置信度（GCD）的概念和计算公式，从而设计了基于GCD的图神经网络（GCD-GNN），以解决欺诈活动掩饰性挑战，从而能够捕获更多全局信息。为了为每个节点获得精确的GCD，我们使用多层感知器（MLP）转换特征，然后使用新的特征和相应的原型消除不必要的信息。GCD评估节点的典型性，从而我们可以利用GCD生成用于消息聚合的注意力值。该过程通过原始GCD及其倒数两种方式进行，以捕获具有高GCD的典型邻居以及具有低GCD的非典型邻居。大量实验在两个公开数据集上表明，GCD-GNN在SOTA基线上取得优异性能，凸显了GCD的有效性。我们还设计了轻量级GCD-GNN（GCD-GNN_light），该方法虽在欺诈检测性能上略逊于GCD-GNN，但在收敛和推理速度方面显著优于GCD-GNN。
引用
@article{arxiv.2407.17333,
title = {Global Confidence Degree Based Graph Neural Network for Financial Fraud Detection},
author = {Jiaxun Liu and Yue Tian and Guanjun Liu},
journal= {arXiv preprint arXiv:2407.17333},
year = {2024}
}