اختر وابقَ: نهج تعليم غير متوازن مبني على GNN للكشف عن الاحتيال
{Qing He Hao Yang Jinghua Feng Jianfeng Chi Zidi Qin Xiang Ao Yang Liu1}
الملخص
أظهرت أساليب الكشف عن الاحتيال القائمة على الرسوم البيانية اهتمامًا متزايدًا مؤخرًا بفضل المعلومات المتعلقة بالعلاقات الغنية المتوفرة في البيانات ذات الهيكل الرسومي، والتي قد تكون مفيدة للكشف عن المحتالين. ومع ذلك، قد تؤدي الخوارزميات القائمة على الشبكات العصبية الرسومية (GNN) إلى أداء ضعيف عند وجود توزيع غير متوازن للعلامات بين العقد، وهو أمر شائع في المجالات الحساسة مثل الاحتيال المالي، إلخ. ولعلاج مشكلة عدم التوازن في الفئة ضمن الكشف عن الاحتيال القائم على الرسوم، نقترح شبكة عصبية رسومية تُسمى "اختيار وتمييز" (PC-GNN بالاختصار)، مصممة لتعلم مراقبة غير متوازنة على الرسوم. أولاً، يتم اختيار العقد والحواف باستخدام مُؤخذ مُصمم مسبقًا يُحقق التوازن في التسميات لبناء رسوم فرعية لتدريب الدُفعات الصغيرة. ثانيًا، يتم اختيار المرشحين الجيران لكل عقدة ضمن الرسم الفرعي باستخدام مُؤخذ جيران مُقترح. وأخيرًا، يتم دمج المعلومات من الجيران المختارة والعلاقات المختلفة للحصول على التمثيل النهائي للعقدة المستهدفة. أظهرت التجارب على مهام الكشف عن الاحتيال القائمة على الرسوم البيانية، سواء على مجموعات بيانات معيارية أو في بيئات واقعية، أن PC-GNN تتفوق بشكل ملحوظ على أحدث النماذج المُتاحة.
المعايير القياسية
| معيار قياسي | المنهجية | المقاييس |
|---|---|---|
| fraud-detection-on-amazon-fraud | PC-GNN | AUC-ROC: 95.86 Averaged Precision: 85.49 |
| fraud-detection-on-yelp-fraud | PC-GNN | AUC-ROC: 79.87 Averaged Precision: 48.10 |
| node-classification-on-amazon-fraud | PC-GNN | AUC-ROC: 95.86 |
| node-classification-on-yelpchi | PC-GNN | AUC-ROC: 79.87 |
بناء الذكاء الاصطناعي بالذكاء الاصطناعي
من الفكرة إلى الإطلاق — عجّل تطوير الذكاء الاصطناعي الخاص بك من خلال البرمجة المشتركة المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.