面向图中低同配性的标签信息增强欺诈检测
人工智能
2023-02-22 v1
摘要
节点分类是基于图的欺诈检测中的一个重大问题。许多现有工作采用图神经网络（GNNs）来增强欺诈检测器。尽管前景可观，目前大多数基于 GNN 的欺诈检测器无法泛化到低同配性设置。此外，标签利用已被证明是节点分类问题的重要因素。但我们发现由于图中的低同配性，它们在欺诈检测任务中效果较差。在这项工作中，我们提出 GAGA，一种新颖的组聚合增强 Transformer（Group AGgregation enhanced TrAnsformer），以应对上述挑战。具体而言，组聚合提供了一种可移植的方法来处理低同配性问题。这种聚合显式地整合标签信息以生成可区分的邻域信息。连同组聚合，我们提出了一种端到端可训练组编码的尝试，其用类标签扩充原始特征空间。同时，我们设计两种额外的可学习编码以识别结构和关系上下文。然后，我们将组聚合与可学习编码组合进一个 Transformer 编码器以捕获语义信息。实验结果清楚地表明，GAGA 在两个趋势性公共数据集和来自 Anonymous 的一个真实工业数据集上以高达 24.39% 的优势优于其他有竞争力的基于图的欺诈检测器。更重要的是，组聚合被证明在低同配性设置下优于其他标签利用方法（例如 C&S、BoT/UniMP）。
引用
@article{arxiv.2302.10407,
title = {Label Information Enhanced Fraud Detection against Low Homophily in Graphs},
author = {Yuchen Wang and Jinghui Zhang and Zhengjie Huang and Weibin Li and Shikun Feng and Ziheng Ma and Yu Sun and Dianhai Yu and Fang Dong and Jiahui Jin and Beilun Wang and Junzhou Luo},
journal= {arXiv preprint arXiv:2302.10407},
year = {2023}
}
备注
Accepted to The ACM Webconf 2023