초록
그래프 신경망(GNN)은 사기 탐지 작업에서 매우 성공적인 성과를 거두었다. GNN 기반의 탐지 알고리즘은 이웃 정보를 집계함으로써 노드 임베딩을 학습한다. 최근에 관계 은폐 및 특징 은폐를 처리하는 데 효과적인 CAmouflage-REsistant GNN(CARE-GNN)이 제안되었으며, 이 알고리즘은 사기 탐지 작업에서 최신 기준 성능을 달성하고 있다. 그러나 전통적인 하프(hop) 정의 방식에 따라 여러 층을 단순히 쌓을 경우 성능이 급격히 저하된다. 단일 층의 CARE-GNN은 잠재적인 오류를 수정하기 위해 추가 정보를 더 추출할 수 없기 때문에 성능이 오직 한 층에 크게 의존하게 된다. 단일 층 학습의 문제를 피하기 위해 본 논문에서는 잔차 구조와 보완적인 관계를 형성할 수 있는 다층 아키텍처를 고려한다. 이를 바탕으로 개선된 알고리즘인 Residual Layered CARE-GNN(RLC-GNN)을 제안한다. 새로운 알고리즘은 계층별로 점진적으로 학습하면서 지속적으로 오류를 수정한다. 제안된 알고리즘의 성능을 평가하기 위해 Recall, AUC, F1-score 세 가지 지표를 선택하여 수치 실험을 수행하였다. Yelp 데이터셋에서 Recall, AUC, F1-score 각각 최대 5.66%, 7.72%, 9.09%의 성능 향상을 달성하였으며, Amazon 데이터셋에서도 동일한 세 가지 지표에서 각각 최대 3.66%, 4.27%, 3.25%의 개선 효과를 얻었다.