arXiv:2210.12384

The Devil is in the Conflict: Disentangled Information Graph Neural Networks for Fraud Detection

ZHIXUN LI, Dingshuo Chen, Qiang Liu, Shu Wu

제출 2022-10-22

원문 초록

Graph-based fraud detection has heretofore received considerable attention. Owning to the great success of Graph Neural Networks (GNNs), many approaches adopting GNNs for fraud detection has been gaining momentum. However, most existing methods are based on the strong inductive bias of homophily, which indicates that the context neighbors tend to have same labels or similar features. In real scenarios, fraudsters often engage in camouflage behaviors in order to avoid detection system. Therefore, the homophilic assumption no longer holds, which is known as the inconsistency problem. In this paper, we argue that the performance degradation is mainly attributed to the inconsistency between topology and attribute. To address this problem, we propose to disentangle the fraud network into two views, each corresponding to topology and attribute respectively. Then we propose a simple and effective method that uses the attention mechanism to adaptively fuse two views which captures data-specific preference. In addition, we further improve it by introducing mutual information constraints for topology and attribute. To this end, we propose a Disentangled Information Graph Neural Network (DIGNN) model, which utilizes variational bounds to find an approximate solution to our proposed optimization objective function. Extensive experiments demonstrate that our model can significantly outperform stateof-the-art baselines on real-world fraud detection datasets.

함께 살펴볼 논문

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

arXiv:2610.13689v1cs.LG공통 태그 Inductive Bias, Graph Neural Network

VQIL: 그래프 상의 섭동 반응 순위화를 위한 가시적 양자 간섭 학습

VQIL: Visible Quantum Interference Learning for Perturbation Response Ranking on Graphs

국소적 섭동(perturbation)이 네트워크에 미치는 영향을 학습하는 것은 시스템의 반응을 유발하거나 흡수하는 구성 요소를 식별하는 데 중요합니다. 본 연구에서는 이를 시드 조건부 반응 순위화(seed-conditioned response ranking) 문제로 정의합니다. 즉, 하나의 시드 노드(node)에서 섭동이 발생했을 때 다른 모든 노드를 반응 강도에 따라 순위화하는 것입니다. 이는 모델(model)에 상호작용 토폴로지만 주어지고 섭동이 전파되는 방식을 지배하는 메커니즘을 데이터로부터 학습해야 할 때 특히 어렵습니다. 본 논문에서는 시드 조건부 순위화를 위한 학습 가능한 세게디 양자 워크(Szegedy quantum walk)인 VQIL(Visible Quantum Interference Learning)을 제안합니다. 워크 연산자가 학습(training) 전반에 걸쳐 유니터리(unitary) 상태를 유지하는 동안, 에지 가중치, 링크 위상, 노드별 위상 회전이 역전파(backpropagation)를 통해 엔드투엔드로 최적화됩니다. 노드 점수는 양자 워크 진폭의 기하학적 감쇠 코히런트 합(coherent sum)에서 얻어지며, 이를 통해 최종 제곱 노름(squared-norm) 판독 전에 양자 간섭이 가능해집니다. 학습된 각 매개변수(parameter)는 명명된 에지 또는 노드에 연결되어 있으므로, 학습된 모델은 전파 메커니즘에서 개별 그래프 구성 요소의 역할에 대해 직접 검사 가능한 가설을 제공합니다. 전기적 매개변수를 모델에 제공하지 않은 6개 송전망에 대한 교류 조류(AC power-flow) 섭동 실험에서, VQIL은 스피어만 순위 상관계수를 학습되지 않은 워크의 0.147에서 0.831로 향상시켰으며 동일하게 학습된 무작위 워크 모델의 성능을 능가했습니다. Perturb-seq 지도 신호가 있는 5개 단백질-단백질 상호작용 네트워크에 대한 유전자 섭동 실험에서 VQIL은 순위 상관계수를 0.171에서 0.620으로 향상시켜 가장 강력한 고전적 및 신경망 기반 학습 베이스라인들을 능가했습니다. 이러한 결과는 학습 가능한 양자 워크 간섭이 그래프 상에서 시드 조건부 반응 순위를 학습하기 위한 확장 가능하고 해석 가능한 귀납적 바이어스(inductive bias)를 제공함을 보여줍니다.

arXiv:2607.19514v3cs.LG공통 태그 Inductive Bias, Graph Neural Network

층 신경망(Sheaf Neural Networks)은 홀로노미를 활용하는가? 측정-개입-통제 연구

Do Sheaf Neural Networks Use Holonomy? A Measure--Intervene--Control Study

기하학적 신경망 구조는 내부 메커니즘을 이론적 동기로 삼는 경우가 많지만, 정확도 지표만으로는 실제 예측이 해당 메커니즘을 활용하는지 여부를 입증하지 못합니다. 층 신경망(Sheaf Neural Networks, SNN)에서는 에지 전달(edge transport) 연산들이 접속(connection)을 형성하며, 사이클 곱(cycle product)은 홀로노미(holonomy)를 정의합니다. 본 연구에서는 학습(training)이 삼각형 홀로노미를 변화시키는지, 예측이 학습된 접속에 의존하는지, 그리고 홀로노미가 삼각형 개수 세기(triangle counting) 작업을 주도하는지 질문을 던집니다. 이를 위해 기저 독립적인 루프 리드아웃과 함께 항등 개입 및 단축 경로 통제를 적용합니다. 높은 동질성(homophily)을 지닌 GraphUniverse 그래프에서 삼각형 개수 세기 작업 시 신경망 층 전파(Neural Sheaf Propagation, NSP)의 평균 SO(2) 삼각형 회전량은 0.010라디안에서 0.388라디안으로 증가한 반면, 커뮤니티 탐지에서는 0.029라디안에 그쳤습니다. 데이터가 늘어남에 따라 학습된 SO(2)-NSP는 항등(Identity) NSP보다 우수한 성능을 보였으며, 학습 후 전달 행렬을 교체하면 오류가 더욱 증가했습니다. 그러나 릿지 회귀가 더 높은 정확도를 보였고, 대각 사상은 연속적인 회전 없이도 성능이 향상되었으며, 고정 차수 모델은 개수 세기 성능 향상 없이도 회전이 발달했습니다. 따라서 NSP는 자명하지 않은 접속을 학습하고 이에 의존할 수 있지만, 본 실험 결과는 삼각형 홀로노미가 예측을 주도한다는 점을 보여주지는 못합니다.

arXiv:2610.10776v1cs.LG공통 태그 Inductive Bias, Graph Neural Network

NEMORA: 장거리 원자론적 학습을 위한 신경 등변 다중극 연산자

NEMORA: Neural Equivariant Multipole Operators for Long-Range Atomistic Learning

등변 그래프 신경망(Equivariant Graph Neural Network)은 머신러닝 기반 원자 간 포텐셜(interatomic potential)의 핵심 아키텍처로 부상하여, 계산 비용의 일부만으로도 양자 화학 수준의 정확도에 근접하고 있습니다. 이러한 모델들은 국소 원자 환경을 정확하게 기술하지만, 유한한 공간적 컷오프(cutoff)로 인해 장거리 정보 흐름이 단절되며, 메시지 전달 계층을 깊게 쌓으면 지나친 평활화(over-smoothing) 및 과도한 압축(over-squashing)이 발생할 수 있습니다. 기존의 장거리 확장 기법들은 고정된 해석적 전파 커널(propagation kernel)을 규정하거나, 장거리 통신을 스칼라 또는 차수 보존 채널로 제한하거나, 근사적으로만 등변성을 만족하거나, 초선형(super-linear) 계산 비용을 초래합니다. 대규모 시스템에 대해 효율적인 스케일링(scaling) 및 다중 스케일 다체 표현력과 함께 학습 가능한 장거리 등변 수송을 결합하는 것은 여전히 핵심 과제로 남아 있습니다. 본 논문에서는 장거리 텐서 표현 학습을 위해 고속 다중극 방법(Fast Multipole Method, FMM)을 신경 등변 방식으로 확장한 NEMORA(Neural Equivariant Multipole Operators)를 소개합니다. NEMORA는 적응형 공간 계층 구조상에서 FMM의 해석적 다중극 전개 및 변환 연산자를 학습 가능한 등변 연산자로 일반화합니다. 이 연산자들은 각도 차수를 결합하고 다양한 길이 스케일에 걸쳐 다체 상호작용을 형성하며, 데이터 의존적인 장거리 결합을 학습하는 동시에 FMM의 계층적 구조와 해석적 방사형 인자를 물리적 귀납 편향(inductive bias)으로 유지합니다. NEMORA는 선형 시간 및 메모리 복잡도로 평가되므로 수십만 개의 원자에 달하는 대규모 시스템을 다른 장거리 방식보다 효율적으로 다룰 수 있으며, 대칭 제약이 있는 백본 및 제약이 없는 단거리 백본 모두를 보강합니다. 비국소(non-local) 벤치마크에서 단거리 백본 대비 힘(force) 및 에너지 오차를 각각 1자릿수(order of magnitude) 이상, 최대 3자릿수까지 줄여, 정확도 측면에서 기존의 장거리 확장 기법보다 우수하거나 경쟁력 있는 성능을 보입니다.

arXiv:2610.10934v1cs.RO공통 태그 Inductive Bias, Graph Neural Network

액추에이터 성능 저하 상황에서의 4족 보행 강화학습을 위한 고차 형태학적 프라이어

Higher-Order Morphology Priors for Quadruped Reinforcement Learning Under Actuator Degradation

액추에이터 성능 저하는 4족 보행을 관절들이 손실된 액추에이션을 보상해야 하는 협응(coordination) 문제로 만든다. 선행 연구들은 형태학을 인식하는 그래프 정책(morphology-aware graph policy)이 신체 교란(body perturbation) 상황에서 학습과 일반화를 향상시킨다고 제안한다. 본 연구는 고차(higher-order) 기계적 구조를 명시적으로 모델링함으로써 이러한 이점을 강화할 수 있는지를 묻는다. 우리는 Unitree Go1을 다리(limb) 및 몸체(body) 수준의 랭크-2 셀(rank-2 cell)을 갖는 셀 복합체(cell complex)로 표현하고, Hodge 기반 메시지 패싱(Hodge-based message passing)을 적용한다. 저하 상황에서의 학습 하에서, 노드-엣지-면 Hodge 액터(node-edge-face Hodge actor)는 보지 못한 액추에이터 저하에 대해 가장 높은 리턴(return)을 달성하며, 더 높은 생존율과 더 낮은 속도 추적 오차(velocity-tracking error)를 보인다. 이러한 결과는 고차 형태학이 액추에이터 저하 상황에서 전신 보상(whole-body compensation)을 위한 유용한 귀납적 바이어스(inductive bias)임을 뒷받침한다.

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:2607.14102v1cs.CL공통 태그 Attribute, Graph Neural Network

UniSAGE: Hyper-Structure를 통한 정적·동적 속성 통합

UniSAGE: Unifying Static and Dynamic Attributes with Hyper-Structure

디지털 데이터의 급속한 증가로, 실제 응용에서는 정적 속성과 동적 레코드를 결합한 계층적 정보를 다루는 경우가 점점 늘어나고 있다. 이러한 이종 데이터를 통합적이고 일반화 가능한 방식으로 모델링하는 것은 여전히 어려운 과제이다. 기존 접근법은 종종 광범위한 수동 설계에 의존하고, 특정 데이터 스키마에 밀접하게 결합되며, 일반적으로 정적 속성과 동적 속성을 개별적으로 처리하여 이들의 암묵적 상호작용을 간과한다. 우리는 정적 및 동적 속성을 모두 갖는 데이터를 모델링하기 위한 통합 프레임워크인 UniSAGE를 제안한다. UniSAGE는 계층적 관계와 시간적 관계를 통합 구조로 표현하는 전역 속성 그래프를 구축한다. 표현의 일관성을 보장하기 위해, 공유 의미 공간 내에서 정적 집계와 동적 추론을 공동으로 지원하는 두 개의 직교 매개변수 부분공간을 도입한다. 이러한 통합 표현을 기반으로, UniSAGE는 경량 hyper-structure 메커니즘을 통해 정적 속성과 동적 속성 간의 과제 특화 상호작용을 추가로 가능하게 한다. UniSAGE는 완전 자동화되어 있으며, 변화하는 데이터 스키마에 강건하고, 복잡한 속성 간 의존성을 포착할 수 있다. 여러 공개 벤치마크와 실제 금융 행동 데이터셋에 대한 광범위한 실험은 UniSAGE가 기존 방법을 일관되게 능가하며, 여러 과제에서 10% 이상의 성능 향상을 달성함을 보여준다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.