文档名：基于噪声过滤与特征增强的图神经网络欺诈检测方法
摘要：现有的基于图神经网络(GraphNeuralNetwork,GNN)的欺诈检测方法还存在三个方面的不足:(1)没有充分考虑到样本标签分布不平衡的问题;(2)没有考虑欺诈者为了躲避检测器的检测,故意制造噪声干扰检测的问题;(3)没有考虑欺诈类型数据联系稀疏问题.为此,本文提出一种基于噪声过滤与特征增强的图神经网络欺诈检测方法NFE-GNN(NoiseFilteringandfeatureEnhancementbasedGraphNeuralNetworkmethodforfrauddetection)来改善欺诈检测性能.该方法首先基于数据集的欺诈率对样本进行平衡采样;在此基础上,采用一个参数化距离函数计算节点间的相似度,并通过强化学习得到最优的噪声过滤阈值;最后,通过创建欺诈样本间的联系,丰富拓扑信息,以达到增强欺诈类特征嵌入表示的目的.在两个公开数据集上的实验结果表明,本文所提NFE-GNN方法的性能优于目前主流的图神经网络欺诈检测方法.
Abstract：Existinggraphneuralnetwork(GNN)-basedfrauddetectionmethodshaveatleastthreeshortcomings:(1)Theydonotadequatelyconsidertheproblemofimbalanceddistributionofsamplelabels.(2)Theydonottakeintoac-counttheproblemthatfraudstersdeliberatelycreatenoisetointerferewithfrauddetectioninordertoavoiddetectionbyde-tectors.(3)Theyfailtoconsiderthelimitationsofsparseconnectionsforfrauddata.Toaddressthesethreeshortcomings,thispaperproposesafrauddetectionmethod,calledNFE-GNN(NoiseFilteringandfeatureEnhancementbasedGraphNeu-ralNetworkmethodforfrauddetection),toimprovethefrauddetectionperformance.TheproposedNFE-GNNmethodfirstemploysadataset-basedfraudratesamplingtechnologytoachieveabalanceofbenignandfraudulentsamples.Basedonthis,aparameterizeddistancefunctionisintroducedtocalculatethesimilaritiesbetweennodes,andtheoptimalnoisefil-teringthresholdisobtainedthroughadaptivereinforcementlearning.Finally,aneffectivealgorithmispresentedtoincreasetheconnectionsbetweenfraudulentsamples,andenrichthetopologyinformationinthegraphtoenhancethefeaturerepre-sentationcapabilityoffraudulentsamples.TheexperimentalresultsontwopubliclyavailabledatasetsdemonstratethatthedetectionperformanceoftheproposedNFE-GNNmethodisbetterthanthatofstate-of-the-artgraphneuralnetworkmeth-ods.
作者：李康和 黄震华 Author：LIKang-he HUANGZhen-hua
作者单位：华南师范大学人工智能学院,广东佛山528225华南师范大学人工智能学院,广东佛山528225;华南师范大学计算机学院,广东广州510631
刊名：电子学报 ISTICEIPKU
Journal：ActaElectronicaSinica
年，卷(期)：2023, 51(11)
分类号：TP311.5TP391.4
关键词：欺诈检测 类不平衡 节点分类 图结构数据 图神经网络 性能评估
Keywords：frauddetection classimbalance nodeclassification graphdata graphneuralnetwork performanceevaluation
机标分类号：TP391.9TP273TP18
在线出版日期：2024年2月1日
基金项目：基于噪声过滤与特征增强的图神经网络欺诈检测方法[
期刊论文] 电子学报--2023, 51(11)李康和 黄震华现有的基于图神经网络(GraphNeuralNetwork,GNN)的欺诈检测方法还存在三个方面的不足:(1)没有充分考虑到样本标签分布不平衡的问题;(2)没有考虑欺诈者为了躲避检测器的检测,故意制造噪声干扰检测的问题;(3)没有考虑欺...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于噪声过滤与特征增强的图神经网络欺诈检测方法 Noise Filtering and Feature Enhancement Based Graph Neural Network Method for Fraud Detection
基于噪声过滤与特征增强的图神经网络欺诈检测方法.pdf
- 文件大小:
- 1.99 MB
- 下载次数:
- 60
-
高速下载
|
|
