从异配性与频谱角度重新审视基于图的欺诈检测
机器学习
2024-07-09 v3 人工智能
社会与信息网络
摘要
基于图的欺诈检测（GFD）可被视为一项具有挑战性的半监督节点二分类任务。近年来，图神经网络（GNN）通过聚合邻居信息来表征节点的异常可能性，已被广泛应用于GFD。然而，欺诈图本质上是异配的，因此大多数GNN由于其同配性假设而表现不佳。此外，由于异配性和类别不平衡问题的存在，现有模型未能充分利用宝贵的节点标签信息。为解决上述问题，本文提出了一种基于半监督GNN的欺诈检测器SEC-GFD。该检测器包含一个混合滤波模块和一个局部环境约束模块，这两个模块分别用于解决异配性和标签利用问题。第一个模块从谱域的角度出发，在一定程度上解决了异配性问题。具体来说，它基于频谱能量分布与异配性之间的相关性，将频谱划分为各种混合频带。然后，为了充分利用节点标签信息，自适应地设计了一个局部环境约束模块。在四个真实世界欺诈检测数据集上的综合实验结果表明，SEC-GFD优于其他竞争性的基于图的欺诈检测器。我们在https://github.com/Sunxkissed/SEC-GFD上发布了代码。
引用
@article{arxiv.2312.06441,
title = {Revisiting Graph-Based Fraud Detection in Sight of Heterophily and Spectrum},
author = {Fan Xu and Nan Wang and Hao Wu and Xuezhi Wen and Xibin Zhao and Hai Wan},
journal= {arXiv preprint arXiv:2312.06441},
year = {2024}
}