arXiv:2202.06096

Improving Fraud Detection via Hierarchical Attention-based Graph Neural Network

Yajing Liu, Zhengya Sun, Wensheng Zhang

제출 2022-02-12

원문 초록

Graph neural networks (GNN) have emerged as a powerful tool for fraud detection tasks, where fraudulent nodes are identified by aggregating neighbor information via different relations. To get around such detection, crafty fraudsters resort to camouflage via connecting to legitimate users (i.e., relation camouflage) or providing seemingly legitimate feedbacks (i.e., feature camouflage). A wide-spread solution reinforces the GNN aggregation process with neighbor selectors according to original node features. This method may carry limitations when identifying fraudsters not only with the relation camouflage, but with the feature camouflage making them hard to distinguish from their legitimate neighbors. In this paper, we propose a Hierarchical Attention-based Graph Neural Network (HA-GNN) for fraud detection, which incorporates weighted adjacency matrices across different relations against camouflage. This is motivated in the Relational Density Theory and is exploited for forming a hierarchical attention-based graph neural network. Specifically, we design a relation attention module to reflect the tie strength between two nodes, while a neighborhood attention module to capture the long-range structural affinity associated with the graph. We generate node embeddings by aggregating information from local/long-range structures and original node features. Experiments on three real-world datasets demonstrate the effectiveness of our model over the state-of-the-arts.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.19350v1cs.AI공통 태그 Fraud Detection, Graph Neural Network

강건한 금융 사기 탐지와 적대적 회복력을 위한 LSTM-그래프 신경망 하이브리드 프레임워크

Hybrid LSTM-Graph Neural Framework for Robust Financial Fraud Detection and Adversarial Resilience

금융 기관은 극심한 데이터 불균형(사기 비율 0.13%)과 진화하는 적대적 회피 전술로 인해 스머핑(smurfing) 및 레이어링(layering)과 같은 정교한 자금 세탁 패턴을 탐지하는 데 큰 어려움을 겪고 있다. 본 논문은 시간적 시퀀스와 구조적 관계 맥락을 모두 포착하기 위해 장단기 기억(Long Short-Term Memory, LSTM) 네트워크와 수공 제작 그래프 위상학적 특징을 통합하는 하이브리드 프레임워크인 FraudShield AI를 제안한다. PageRank 중심성, 입력 차수(In-Degree) 역학, 맞춤형 Flow Ratio를 포함한 네트워크 중심 특징을 설계함으로써, 이 시스템은 탐지 패러다임을 개별 거래 분석에서 네트워크 수준 포렌식으로 전환한다. 클래스 불균형을 해결하기 위해 Focal Loss 목적함수를 사용하고, 저가치 스머핑 공격에 대한 회복력을 높이기 위해 동적 임계값 설정 메커니즘을 도입한다. PaySim 데이터셋에 대한 실험 평가 결과, 제안된 하이브리드 모델이 정밀도, 재현율, F1-Score에서 로지스틱 회귀 및 XGBoost 베이스라인을 크게 능가했으며, 특히 탐지가 어려운 소액 거래 사기 패턴에서 두드러진 성능을 보였다. 절제(ablation) 연구를 통해 시간적 구성요소와 위상학적 구성요소가 상호 보완적으로 기여함을 확인했다.

arXiv:2607.09704v1cs.LG공통 태그 Fraud Detection, Graph Neural Network

동적 거래 그래프에서의 희소 링 사기 탐지를 위한 양자 영감 문맥적 학습

Quantum-Inspired Contextual Learning for Sparse-Ring Fraud Detection in Dynamic Transaction Graphs

우리는 동적 금융 거래 그래프에서의 사기 선별을 위한 탐색적 벤치마크 및 양자 영감 모델링 프로토타입을 제시한다. 조직적 사기는 개별 거래만으로는 가시화되지 않을 수 있으나, 다중 기간 관계 패턴으로서 나타날 수 있다. 우리는 희소 링 사기(sparse-ring fraud)에 초점을 맞추는데, 이는 완성된 유향 사이클이 여러 날에 걸쳐 분산되는 양식화된 패턴으로, 모델이 시간과 그래프 구조 모두에 걸쳐 증거를 통합할 것을 요구한다. 우리는 완성된 희소 링 주입과 깨진 링 미끼를 포함한 합성 거래 시뮬레이터를 사용하여 이 문제를 연구한다. 일별 유향 거래 그래프는 롤링 윈도우로 집계되고, 원시 그래프 특징, 지속적 호몰로지(persistent homology) 요약, 또는 두 가지를 결합한 하이브리드 특징 벡터로 표현된다. 우리는 게이트 순환 유닛(GRU) 기준선과 양자 영감 문맥적 기계학습(Contextual Machine Learning, CML)을 시퀀스 수준 분류기로 비교한다. 벤치마크가 합성 데이터, 적은 샘플 크기, 시퀀스 수준 레이블을 사용하므로 결과는 탐색적이다. 이 범위 내에서, 위상 전용 요약은 지도 학습 기반 링 완성 과제를 단독으로 해결하기에 지나치게 압축되어 있는데, 주된 이유는 계정 쌍 식별자와 엣지 방향을 제거하기 때문이다. 가장 강력한 결과는 식별자 보존 그래프 특징과 위상적 요약을 결합한 하이브리드 표현에서 나온다. 이러한 발견은 위상이 동적 그래프 특징 위의 문맥적 층으로 가장 유용하며, CML이 시간적·관계적 문맥에 걸쳐 증거가 분산된 사기 패턴에 대한 유망한 후보 모델임을 시사한다.

arXiv:2607.10131v1cs.LG공통 태그 Fraud Detection, Graph Neural Network

SALT-GNN: 통계 인식 어텐션을 통한 자금세탁방지 그래프에서의 밀집 이웃 처리

SALT-GNN: Handling Dense Neighborhoods in Anti-Money Laundering Graphs via Statistics-Aware Attention

자금세탁은 금융 안정성을 위협하고 기관을 제재 위험에 노출시키므로, 자동화된 탐지에 대한 동기를 제공한다. 세탁 수법은 관계적 패턴을 통해 나타나는 경우가 많기 때문에, 그래프 신경망(GNN)이 자금세탁방지(AML)에 점점 더 많이 활용되고 있다. 그러나 AML GNN은 일반적으로 전체 F1 점수와 같은 집계 지표로 평가되며, 이는 운영상의 문제를 숨긴다: 고활동 수신 계좌에는 많은 수신 거래가 집중되어 의심스러운 신호를 격리하기 어렵고 조사 비용도 더 높아진다. 우리는 수신자 차수 계층화 평가(recipient-degree stratified evaluation)를 도입하여 수신자 컨텍스트 밀도에 따른 표준 AML 지표를 보고한다. 세 가지 데이터셋(HI-Small, HI-Medium, AMLSim-32k-5%)에 걸쳐, 이 평가는 밀집 수신자 컨텍스트에서의 일관된 성능 저하를 드러내며, 이를 세 가지 GNN 특성으로 추적한다: AML이 증폭시키는 두 가지 알려진 한계, 즉 (1) 멀티셋 비식별성(multiset non-discriminability)과 (2) 카디널리티 맹목성(cardinality blindness), 그리고 (3) 어텐션 특화 효과: 밀집 이웃에서 정규화된 어텐션이 약하지만 패턴과 관련된 다중 홉 신호를 약화시킨다. 이 진단을 바탕으로, 우리는 각 메시지 전달 층에서 차수 인식 통계 집계와 어텐션을 융합하는 경량 통계 인식 아키텍처인 SALT-GNN을 제안한다. 이를 통해 분포 및 카디널리티 정보가 후속 어텐션 단계에서 사용되는 노드 상태를 형성한다. 절제 실험은 밀집 컨텍스트 성능에서 융합 위치가 핵심 요인임을 지지한다. HI-Small 및 HI-Medium에서 SALT-GNN은 태스크 특화 그래프-트랜스포머 기준 모델 대비 최대 77% 적은 파라미터를 사용하면서 밀집 컨텍스트 F1 점수를 3-6점 향상시키고, AMLSim-32k-5%에서는 최고 차수 F1 점수를 16-20점 향상시킨다. 이 성능 향상은 트랜스포머 및 GAT 방식 어텐션 모두에서 유지되어, 그 이점이 특정 어텐션 연산자가 아닌 통계적 증거와 어텐션 증거가 융합되는 위치에서 비롯됨을 나타낸다.

arXiv:2607.11212v1cs.AI공통 태그 Fraud Detection, Graph Neural Network

PREF-Gate: 그래프 사기 탐지를 위한 출처 제약 관계형 증거 융합과 검증 게이트 선택

PREF-Gate: Provenance-Constrained Relational Evidence Fusion with Validation-Gated Selection for Graph Fraud Detection

관계형 사기 탐지(relational fraud detection)는 레이블 없는 그래프 컨텍스트와 레이블 기반 이웃 증거를 모두 활용할 수 있으나, 이 두 정보 소스는 서로 다른 유효성 조건을 따른다. 특히, 쿼리된 노드 자체의 레이블이나 검증 또는 테스트 레이블이 이웃 위험(neighborhood risk) 계산에 포함될 경우 해당 이웃 위험은 무효가 된다. 우리는 이 문제를 출처 제약 관계형 증거 사용(provenance-constrained relational evidence use)으로 정식화하고, 두 개의 고정 전문가 모듈과 유한 검증 게이트로 구성된 감사 가능한 의사결정 프레임워크인 PREF-Gate를 제안한다. 컨텍스트 전문가(context expert)는 레이블 없이 속성, 1-hop 평균, 특징 잔차(feature residuals), 차수 디스크립터(degree descriptors)를 사용한다. 증거 전문가(evidence expert)는 자기 제외 방식의 학습 레이블 전용 이웃 위험과, 지지도·불확실성·가용성·수축(shrinkage)을 노출하는 경험적 베이즈(empirical-Bayes) 요약을 추가로 활용한다. 테스트 추론 전에 게이트는 두 전문가 중 하나 또는 세 가지 사전 지정 확률 혼합 중 하나를 선택하고 결정 임계값을 고정한다. Amazon, YelpChi, TFinance에서 5개의 동일한 층화 분할(stratified splits)과 14개의 동일 프로토콜 방법을 사용하여 PREF-Gate는 평균 AUPRC 값으로 각각 0.9085, 0.8104, 0.8913을 달성한다. 모든 Amazon 및 YelpChi 분할에서는 레이블 없는 전문가를, 모든 TFinance 분할에서는 증거 혼합을 선택한다. 따라서 주요 결과는 보편적이지 않고 조건부적이다: 레이블 기반 관계형 증거는 보류된 검증 데이터가 이를 지지하는 경우에만 유용하다. 이 프레임워크는 경쟁력 있는 순위 성능과 함께 명시적인 레이블 출처 계약(label-provenance contract), 유한 선택 정책, 실패 처리, 검토 예산 평가를 결합하여, 그래프 사기 탐지를 위한 감사 가능한 지식 기반 의사결정 파이프라인을 제공한다.

arXiv:2607.09528v1cs.LG공통 태그 Fraud Detection, Graph Neural Network

TSAI-MetaFraud: 메타버스 생태계의 금융 사기 거래 및 행동 위험 탐지를 위한 벤치마크 데이터셋

TSAI-MetaFraud: A Benchmark Dataset for Financial Fraud Transaction and Behavioral Risk Detection in Metaverse Ecosystems

메타버스 플랫폼의 등장으로 가상 경제가 형성되었으며, 이는 사기, 봇 활동, 불법 금융 행위와 관련된 새로운 과제를 야기하고 있다. 신뢰할 수 있는 메타버스 분석에 대한 관심이 높아지고 있음에도 불구하고, 기존 데이터셋은 대부분 사용자 행동, 인증, 또는 금융 거래를 개별적으로 다루고 있어 멀티모달 사기 탐지 방법의 개발 및 재현 가능한 평가를 제한하고 있다. 이러한 격차를 해소하기 위해, 우리는 가상 경제에서의 사기 분석을 위한 멀티모달 다중 태스크 벤치마크 데이터셋인 TSAI-MetaFraud를 제시한다. TSAI-MetaFraud는 행동적, 거래적, 그래프 구조적 정보를 통합하는 동시에 현실적인 사기 및 자동화 봇 시나리오를 포함한다. 우리는 거래 사기 탐지, 크로스 모달 노드 분류, 시계열 링크 예측, 약지도 사기 탐지를 포함한 벤치마크 태스크를 정의하고, 머신러닝 모델과 그래프 신경망을 활용한 기준선 평가를 제공한다. TSAI-MetaFraud는 단일 가상 경제 내에서 행동 활동, 금융 상호작용, 관계 구조를 통합적으로 포착함으로써 멀티모달 학습, 그래프 마이닝, 사기 분석, 그리고 신흥 메타버스 생태계에서의 신뢰할 수 있는 AI 발전을 위한 벤치마크를 제공한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.