用于有向多重图的可证明强大图神经网络
机器学习
2024-01-05 v3 人工智能
摘要
本文分析了一组简单的适配方法，这些方法将标准消息传递图神经网络（GNN）转化为可证明强大的有向多重图神经网络。这些适配包括多重图端口编号、自我 ID 和反向消息传递。我们证明，这些方法的组合在理论上能够检测任意有向子图模式。为了验证我们所提适配方法在实践中的有效性，我们在合成子图检测任务上进行了实验，取得了近乎完美的出色性能。此外，我们将所提适配方法应用于两项金融犯罪分析任务。我们观察到在检测洗钱交易方面有显著改进，将标准消息传递 GNN 的少数类 F1 分数提高了至多 30%，并紧密匹配或优于基于树和 GNN 的基线。在真实世界的钓鱼检测数据集上也观察到了同样令人印象深刻的成果，将三个标准 GNN 的 F1 分数提升了约 15%，且优于所有基线。
引用
@article{arxiv.2306.11586,
title = {Provably Powerful Graph Neural Networks for Directed Multigraphs},
author = {Béni Egressy and Luc von Niederhäusern and Jovan Blanusa and Erik Altman and Roger Wattenhofer and Kubilay Atasu},
journal= {arXiv preprint arXiv:2306.11586},
year = {2024}
}
备注
AAAI 2024