Verbesserung von graphenbasierten Betrugserkennungssystemen mittels LLMs gegenüber maskierten Betrügern

Graph Neural Networks (GNNs) wurden in den letzten Jahren weitreichend für Probleme der Betrugsdetektion eingesetzt und zeigen dabei die Verdächtigkeit von Knoten durch Aggregation ihrer Nachbarschaftsinformationen über verschiedene Relationen auf. Allerdings haben bisher nur wenige vorangegangene Arbeiten das Tarnverhalten von Betrügern berücksichtigt, das die Leistungsfähigkeit von GNN-basierten Betrugsdetektoren während des Aggregationsprozesses erheblich beeinträchtigen kann. In diesem Artikel führen wir zwei Arten von Tarnungen ein, die auf jüngsten empirischen Studien basieren: die Merkmals-Tarnung (feature camouflage) und die Relationstarnung (relation camouflage). Bisherige GNN-Modelle haben diese beiden Tarnungsarten nicht adressiert, was zu einer suboptimalen Leistung bei der Betrugsdetektion führt. Als Alternative schlagen wir ein neues Modell namens CAmouflage-REsistant GNN (CARE-GNN) vor, das den GNN-Aggregationsprozess durch drei spezifische Module gegen Tarnungen stärkt. Konkret entwickeln wir zunächst eine label-aware Similaritätsmaßnahme, um informativere Nachbarknoten zu identifizieren. Anschließend nutzen wir Verstärkendes Lernen (Reinforcement Learning, RL), um die optimale Anzahl an auszuwählenden Nachbarn zu ermitteln. Schließlich werden die ausgewählten Nachbarn aus verschiedenen Relationen zusammengefasst. Umfassende Experimente auf zwei realen Betrugsdatensätzen belegen die Wirksamkeit des RL-Algorithmus. Das vorgeschlagene CARE-GNN übertrifft zudem state-of-the-art GNNs sowie GNN-basierte Betrugsdetektoren. Wir integrieren alle GNN-basierten Betrugsdetektoren in ein Open-Source-Toolbox: https://github.com/safe-graph/DGFraud. Der CARE-GNN-Code sowie die verwendeten Datensätze sind unter https://github.com/YingtongDou/CARE-GNN verfügbar.