要約
グラフニューラルネットワーク（GNN）は、不正検出タスクにおいて非常に高い成果を上げています。GNNベースの検出アルゴリズムは、隣接ノードの情報を集約することでノード埋め込みを学習します。近年、関係の隠蔽（relation camouflage）および特徴の隠蔽（feature camouflage）に対処できる「カモフラージュ耐性GNN（CARE-GNN）」が提案され、不正検出タスクにおいて最先端の性能を達成しています。しかし、伝統的なホップ（hop）に基づく層の積み重ね方では、性能が急速に低下する問題があります。単層のCARE-GNNでは、潜在的な誤りを修正するためのさらなる情報を抽出できず、性能が唯一の1層に大きく依存してしまうという課題があります。これを回避するため、本論文では、残差構造と補完的な関係を形成できる多層構造を検討し、改善されたアルゴリズムとして「残差層構造CARE-GNN（RLC-GNN）」を提案します。この新アルゴリズムは、層ごとに段階的に学習を行い、継続的に誤りを修正する仕組みを有しています。提案手法の評価には、再現率（recall）、AUC、F1スコアの3つの指標を採用し、数値実験を実施しました。Yelpデータセットにおいて、再現率、AUC、F1スコアそれぞれで最大5.66%、7.72%、9.09%の向上を達成しました。また、Amazonデータセットにおいても、同様の3つの指標で最大3.66%、4.27%、3.25%の改善が確認されました。