RAGFormer：用于欺诈检测的语义属性与拓扑结构学习
机器学习
2025-02-12 v4 人工智能
摘要
欺诈检测因欺诈活动的复杂性和欺骗性而 remains a 挑战任务。当前方法主要集中于学习图的单一视角：要么是图的拓扑结构，要么是单个节点的属性。然而，我们进行经验研究，揭示这两种特征类型几乎是正交的，但各自独立有效。因此，先前的方法无法完全捕获欺诈图的综合特征。为了解决这一困境，我们提出了一种新框架，称为Relation-Aware GNN with transFormer~(RAGFormer)，该框架同时将语义特征和拓扑特征嵌入到目标节点中。该简单而有效的网络由语义编码器、拓扑编码器和注意力融合模块组成。语义编码器利用Transformer学习语义特征和来自不同关系的节点相互作用。我们引入Relation-Aware GNN作为拓扑编码器，以学习拓扑特征和每个关系内的节点相互作用。这两种互补特征通过注意力融合模块交错，以支持两种正交特征的预测。在两个流行的公共数据集上的广泛实验表明，RAGFormer实现了最先进的性能。在一个来自实际商业场景的信用卡欺诈检测数据集中，RAGFormer的显著性能提升进一步验证了我们方法在现实世界业务场景中的适用性。
引用
@article{arxiv.2402.17472,
title = {RAGFormer: Learning Semantic Attributes and Topological Structure for Fraud Detection},
author = {Haolin Li and Shuyang Jiang and Lifeng Zhang and Siyuan Du and Guangnan Ye and Hongfeng Chai},
journal= {arXiv preprint arXiv:2402.17472},
year = {2025}
}
备注
Preprint