SplitGNN: Spektrale Graph Neural Networks für die Betrugserkennung unter Heterophilie

Betrüger in der realen Welt fügen häufig zusätzliche legitime Verbindungen hinzu, während sie ihre direkten Verbindungen mit anderen Betrügern verbergen, was zu einer Heterophilie in Betrugsgaphen führt – ein Problem, das die meisten auf GNN basierenden Ansätze nicht berücksichtigen können. Mehrere Arbeiten haben vorgeschlagen, dieses Problem aus der räumlichen Domäne heraus anzugehen. Forschungen zur Bewältigung der Heterophilie in der spektralen Domäne bleiben jedoch weiterhin begrenzt, da das Verständnis der spektralen Energieverteilung in Graphen mit Heterophilie noch unzureichend ist. In dieser Arbeit analysieren wir die spektrale Verteilung bei unterschiedlichen Heterophiliegraden und beobachten, dass die Heterophilie von Betrugsknoten dazu führt, dass die spektrale Energie von niedrigen zu hohen Frequenzen verschoben wird. Darüber hinaus bestätigen wir, dass die Aufteilung von Graphen mithilfe von heterophilen und homophilen Kanten eine stärkere Signalrepräsentation in unterschiedlichen Frequenzbändern ermöglicht. Diese Beobachtung motiviert uns, das Spektral-GNN-Modell SplitGNN vorzustellen, das darauf abzielt, Signale zur Betrugserkennung unter Berücksichtigung von Heterophilie zu erfassen. SplitGNN verwendet einen Kantenklassifikator, um den ursprünglichen Graphen zu partitionieren, und setzt flexible Bandpass-Graphfilter zur Lernung von Repräsentationen ein. Umfangreiche Experimente auf realen Datensätzen belegen die Wirksamkeit unseres vorgeschlagenen Ansatzes. Der Quellcode und die Daten sind unter https://github.com/Split-GNN/SplitGNN verfügbar.