SplitGNN: 이질성에 대응한 스펙트럼 그래프 신경망을 이용한 사기 탐지

실제 세계의 사기 행위자들은 자신의 직접적인 연결을 숨기면서 더 많은 합법적인 링크를 추가하는 경우가 많아, 사기 그래프 내에서 이질성(heterophily)이 발생하며, 이는 대부분의 GNN 기반 기법이 해결하도록 설계되지 않은 문제이다. 이 문제를 해결하기 위해 공간 영역(spatial domain)에서 여러 연구가 제안되었으나, 이질성 그래프 내에서 스펙트럼 에너지 분포에 대한 이해가 부족한 탓에 스펙트럼 영역(spectral domain)에서의 연구는 여전히 제한적이다. 본 논문에서는 다양한 이질성 정도를 가진 그래프의 스펙트럼 분포를 분석한 결과, 사기 노드의 이질성이 스펙트럼 에너지가 저주파에서 고주파로 이동하게 함을 관찰하였다. 또한, 이질적 간선과 동질적 간선을 기반으로 그래프를 분할하면 각 주파수 대역에서 신호의 표현이 더욱 두드러짐을 실험적으로 검증하였다. 이러한 관찰을 바탕으로, 이질성에 대응한 사기 탐지 신호를 효과적으로 포착하기 위해 스펙트럼 그래프 신경망(Spectral Graph Neural Network), SplitGNN을 제안한다. SplitGNN은 간선 분류기를 활용해 원본 그래프를 분할하고, 유연한 밴드패스 그래프 필터를 도입하여 표현을 학습한다. 실제 데이터셋을 대상으로 수행한 광범위한 실험을 통해 제안한 방법의 효과성을 입증하였다. 코드와 데이터는 https://github.com/Split-GNN/SplitGNN 에 공개되어 있다.