Повторное рассмотрение обнаружения мошенничества на основе графов с учетом гетерофилии и спектра

Обнаружение мошенничества на основе графов (GFD) можно рассматривать как сложную задачу полуконтролируемой бинарной классификации узлов. В последние годы для GFD широко применяются графовые нейронные сети (GNN), которые оценивают вероятность аномальности узла путем агрегирования информации о его соседях. Однако графы мошеннических взаимодействий по своей природе характеризуются гетерофилией, поэтому большинство GNN демонстрируют низкую эффективность из-за предположения о гомофилии. Кроме того, вследствие гетерофилии и дисбаланса классов существующие модели не в полной мере используют ценную информацию о метках узлов. Для решения указанных проблем в статье предлагается полуконтролируемый детектор мошенничества на основе GNN — SEC-GFD. Детектор включает модуль гибридной фильтрации и модуль локальных ограничений окружения, предназначенные соответственно для решения проблемы гетерофилии и повышения эффективности использования меток. Первый модуль работает в спектральной области и в определенной степени устраняет проблему гетерофилии. В частности, он разделяет спектр на несколько смешанных частотных диапазонов на основе взаимосвязи между распределением спектральной энергии и гетерофилией. Для полноценного использования информации о метках узлов адаптивно разработан модуль локальных ограничений окружения. Результаты комплексных экспериментов на четырех наборах данных реального обнаружения мошенничества показывают, что SEC-GFD превосходит другие конкурентоспособные детекторы мошенничества на основе графов. Исходный код опубликован по адресу: https://github.com/Sunxkissed/SEC-GFD.