LEX-GNN: Label-Exploring Graph Neural Network für eine präzise Betrugserkennung

Die graphbasierte Betrugserkennung steht vor erheblichen Herausforderungen, wie beispielsweise einer starken Klassenungleichgewichtigkeit, inkonsistenten Verbindungen aufgrund der Seltenheit betrügerischer Knoten sowie der Tarnung dieser Knoten, die sich wie legitime Knoten verhalten. Bestehende Studien greifen häufig auf die Strategie zurück, ähnliche Knoten zu filtern, um die Homophilieannahme von Graph Neural Networks zu stärken. Um diese Probleme jedoch effektiv anzugehen, ist es entscheidend, die Labels benachbarter Knoten zu unterscheiden und adaptiv zu nutzen. In dieser Arbeit präsentieren wir das Label-Exploring Graph Neural Network (LEX-GNN), ein Ansatz, der darauf abzielt, die Betrugserkennung durch aktive Nutzung von gekennzeichneten Knoteninformationen zu verbessern. Der zentrale Gedanke besteht darin, dass die Art und Weise, wie Nachrichten übermittelt und empfangen werden, je nach Knotentyp variieren sollte. Konkret schätzen wir zunächst die Labels von Knoten basierend auf ihren ursprünglichen oder vorherigen Repräsentationen vorher. Anschließend sendet jeder Knoten unterschiedlich verarbeitete Nachrichten, abhängig von seiner Wahrscheinlichkeit, betrügerisch zu sein. Schließlich empfangen Zielknoten die Nachrichten ebenfalls unterschiedlich, abhängig von ihrer vorhergesagten Wahrscheinlichkeit. Ausführliche Experimente auf realen Benchmark-Daten zeigen, dass LEX-GNN bestehende state-of-the-art-Baselines übertrifft. Unser Quellcode ist unter https://github.com/wdhyun/LEX-GNN verfügbar.