초록
기반 그래프의 사기 탐지 기술은 심각한 클래스 불균형, 사기 노드의 부족으로 인한 연결의 일관성 부족, 그리고 정상 노드와 유사하게 위장된 사기 노드 등의 큰 도전에 직면해 있다. 기존 연구들은 그래프 신경망의 동질성 가정을 강화하기 위해 유사한 노드를 필터링하는 접근법을 주로 채택해왔다. 그러나 이러한 문제들을 효과적으로 해결하기 위해서는 이웃 노드의 레이블을 구분하고, 적응적으로 활용하는 것이 중요하다. 본 연구에서는 레이블 탐색 기반 그래프 신경망(Label-Exploring Graph Neural Network, LEX-GNN)을 제안한다. 이 모델은 레이블 정보를 능동적으로 활용함으로써 사기 탐지 성능을 향상시키는 것을 목표로 한다. 핵심 아이디어는 메시지 전달 및 수신 방식이 노드 유형에 따라 달라져야 한다는 점이다. 구체적으로, 먼저 노드의 초기 또는 이전 표현을 기반으로 노드의 레이블을 예측한다. 이후 각 노드는 사기일 가능성이 높은 정도에 따라 다르게 처리된 메시지를 전송한다. 마지막으로, 대상 노드는 사전 예측된 사기 가능성 확률에 따라 메시지를 다르게 수신한다. 실제 데이터베이스 기반의 광범위한 실험 결과를 통해 LEX-GNN이 기존 최고 수준의 기법들을 모두 능가함을 입증하였다. 본 연구의 코드는 https://github.com/wdhyun/LEX-GNN 에서 공개되어 있다.