一种基于单侧边缘抽样的图神经网络用于欺诈检测

金融欺诈始终是金融领域的主要问题，因其可能引发重大后果。因此，已设计了许多方法来检测欺诈行为，最近，图神经网络（GNN）被证明是值得信赖的候选方案。然而，当使用大量数据进行训练时，它们会非常缓慢且计算密集。此外，GNN可能需要深层架构来检测复杂的欺诈模式，但这样做可能会导致过拟合或过平滑问题。过拟合会导致模型对未见数据（unseen data）的泛化性下降，而过平滑则会导致所有节点特征因对相邻节点的信息聚合过度而收敛到固定点。为此，本研究提出了一种称为单侧边缘抽样（One-Side Edge Sampling, OES）的方法，既能减少训练时长，又能缓解过平滑和过拟合的影响。该方法利用边缘分类任务中的预测置信度，在训练的若干周期内从输入图中抽样边缘。为阐明OES为何能缓解过平滑，本文对该方法进行了理论分析。此外，为验证OES的效果，本文使用不同的GNN在两个数据集上进行实验。结果表明，OES在浅层和深层架构中均能实证性地优于基线模型，同时还能减少训练时间。