RLC-GNN: بنية عميقة محسّنة للشبكة العصبية الرسومية القائمة على الفضاء مع تطبيق على كشف الاحتيال

تمكّنت الشبكات العصبية الرسومية (GNNs) من تحقيق نجاح كبير في حل مهام كشف الاحتيال. تعتمد خوارزميات الكشف القائمة على GNN على تعلّم تمثيلات العقد من خلال تجميع المعلومات المجاورة. حديثاً، تم اقتراح خوارزمية CARE-GNN (الشبكة العصبية الرسومية المقاومة للإخفاء)، والتي تحقق نتائج من الدرجة الأولى في مهام كشف الاحتيال من خلال التعامل مع إخفاء العلاقات وإخفاء الميزات. ومع ذلك، فإن تجميع طبقات متعددة بطريقة تقليدية محددة بناءً على عدد الخطوات (hop) يؤدي إلى انخفاض سريع في الأداء. وبما أن نموذج CARE-GNN ذا الطبقة الواحدة لا يمكنه استخلاص مزيد من المعلومات لتصحيح الأخطاء المحتملة، فإن الأداء يعتمد بشكل كبير على هذه الطبقة الوحيدة. ولتجنب حالة التعلّم ذات الطبقة الواحدة، نقترح في هذه الورقة بنية متعددة الطبقات التي يمكنها تشكيل علاقة تكميلية مع البنية المُتبقية (residual). ونُقدّم خوارزمية محسّنة تُسمى RLC-GNN (CARE-GNN متعدد الطبقات المُتبقية)، حيث تتعلم الخوارزمية الجديدة الطبقة تلو الأخرى بشكل تدريجي، وتصحيح الأخطاء باستمرار. وقد اخترنا ثلاث مقاييس لتقييم الخوارزمية المقترحة: الدقة (recall)، وقيمة AUC، ومؤشر F1. وأجرينا تجارب عددية، وتم تحقيق تحسينات تصل إلى 5.66% و7.72% و9.09% على التوالي في مقاييس الدقة، وAUC، ومؤشر F1 على مجموعة بيانات Yelp. بالإضافة إلى ذلك، تحققت تحسينات تصل إلى 3.66% و4.27% و3.25% في نفس المعايير الثلاثة على مجموعة بيانات Amazon.