Выбирай и комбинируй: подход к обучению на несбалансированных данных на основе GNN для обнаружения мошенничества

Методы обнаружения мошенничества на основе графов в последнее время привлекают значительное внимание благодаря богатой реляционной информации, содержащейся в графовых данных, которая может способствовать выявлению мошенников. Однако алгоритмы на основе графовых нейронных сетей (GNN) могут демонстрировать низкую эффективность, когда распределение меток узлов сильно смещено, что характерно для таких чувствительных областей, как финансовое мошенничество. Для решения проблемы дисбаланса классов при обнаружении мошенничества на основе графов мы предлагаем графовую нейронную сеть Pick and Choose (PC-GNN) — метод обучения с учителем на графах при несбалансированных классах. Сначала узлы и рёбра отбираются с помощью специально разработанного выборочного метода, обеспечивающего сбалансированность меток, для построения подграфов при обучении мини-батчами. Затем для каждого узла подграфа кандидаты в соседи выбираются с помощью предложенного метода выборки соседей. Наконец, информация от выбранных соседей и различных отношений агрегируется для получения итогового представления целевого узла. Эксперименты на эталонных и реальных задачах обнаружения мошенничества на основе графов показывают, что PC-GNN существенно превосходит современные базовые методы.