文献

J-GLOBAL ID：202002282688182329   整理番号：20A2139383

グラフニューラルネットワークを不正検出に適用する際の矛盾問題の軽減【JST・京大機械翻訳】

Alleviating the Inconsistency Problem of Applying Graph Neural Network to Fraud Detection

著者 (5件)： Liu Zhiwei (University of Illinois at Chicago, Chicago, IL, USA) ,  Dou Yingtong (University of Illinois at Chicago, Chicago, IL, USA) ,  Yu Philip S. (University of Illinois at Chicago, Chicago, IL, USA) ,  Deng Yutong (Beijing University of Posts and Telecommunications, Beijing, China) ,  Peng Hao (Beihang University, Beijing, China)
資料名： ACM Proceedings  (ACM Proceedings)
号： SIGIR ’20  ページ： 1569-1572  発行年： 2020年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： グラフベースのモデルは,検出タスクを fraudすために広く使用されてきた。グラフニューラルネットワーク(GNN)の開発のために,最近の研究は,均一または不均一グラフのいずれかに基づく多くのGNNベースの fraud検出器を提案した。これらの研究は,既存のGNNを活用し,ノード埋込みを学習するために近傍情報を集約し,近隣が類似の文脈,特徴,および関係を共有するという仮定に依存する。しかしながら, fraudsterによって発生する不整合問題は,ほとんど調査されていない,即ち,コンテキスト不整合,特徴不整合,および関係不整合である。本論文では,これらの不一致を導入し,不整合問題に取り組むために,新しいGNNフレームワーク,グラフConsisを設計した。(1)コンテキスト不整合に関して,著者らはノード特性とコンテキスト埋込みを組み合わせることを提案した。(2)特徴不整合のために,一貫性スコアを設計して,矛盾した近傍をフィルターにかけ,対応するサンプリング確率を生成した。(3)関係不整合に関して,著者らは,サンプリングノードに関連した関係注意重みを学習した。4つのデータセットに関する経験的解析は,不整合問題が不正検出タスクにおいて重要であることを示した。大規模な実験は,グラフConsisの有効性を示した。また,SOTAモデルの実装でGNNベースの不正検出ツールボックスを解放した。コードは,尿https://github.com/safe-graph/DGFraudで利用可能である。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： フィルタ ,  *ニューラルネットワーク ,  検出器 ,  不整合 ,  有効性
準シソーラス用語： ツールキット ,  不正検出 , 【Automatic Indexing@JST】

著者キーワード (3件)： 不正検出 ,  グラフニューラルネットワーク ,  矛盾問題

分類 (2件)： 人工知能  (JE08000Z) ,  分子・遺伝情報処理  (JE15040B)

タイトルに関連する用語 (4件)： グラフニューラルネットワーク ,  不正検出 ,  矛盾 ,  問題