【GFD】PMP分区消息传递

本文提出PartitioningMessagePassing(PMP),一种针对图欺诈检测任务的方法,通过在GNN的消息传递过程中利用标签信息区分邻居,解决类别不平衡和异质性问题。实验证明PMP在AUC、F1-Macro和G-Mean等指标上表现出色。研究还探讨了模型的理论洞察和适应性光谱过滤机制。
摘要由CSDN通过智能技术生成

PARTITIONING MESSAGE PASSING FOR GRAPH FRAUD DETECTION

在这里插入图片描述

paper
Code
ICLR2024

Motivation

在Graph Fraud Detection (GFD) 任务中应用消息传递GNN遇到两大挑战:

  • label imbalance
  • homophily-heterophily mixture

在本文中,我们认为排除异配邻居的复杂可训练或预定策略是不必要的. 相反,在欺诈图上应用GNN的关键是在消息传递过程中区分邻居,而不是排除. 一个强大的模型应该固有地具有自适应调节从同配和异配邻居获得的信息的能力.

在这里插入图片描述

方法

PMP(Patitioning Message Passing)的基本思想是利用标签信息对消息传递过程进行划分,使模型能够在消息传递过程中通过学习每个类的不同权重来根据类来区分邻居,从而增强其自适应调整类不平衡邻居节点传播的影响的能力.

节点 v i v_i vi的PMP的第 l l l次消息传递迭代描述如下:
在这里插入图片描述

be: benign neighbors
fr: fraud neighbors
un: unlabeled neighbors

将未标记的neighbors处理为恶意和良性标签的加权组合.
在这里插入图片描述

Root-specific权重矩阵生成.
在这里插入图片描述
Ψ由单层MLP实现

Theoretical Insights

在异配区域中,中心节点的标签与其大多数邻居不同,GNN必须自适应地改变其光谱响应以捕获这种对比标签信息。一些工作(Yang等人,2022 a; Wang & Zhang,2022)表明,为每个特征维度分配一个单独的光谱滤波器可以提高GNN的性能。因此,我们的模型在节点级别实现了自适应性,每个节点被分配一个单独的光谱滤波器。具体地说,我们提出了以下定理。
在这里插入图片描述

实验结果

三个常用的不平衡分类指标:AUC,F1-Macro和G-Mean

AUC是ROC曲线下面积,它提供了所有可能的分类阈值的综合性能指标,反映了模型区分positive和negative类的能力.
F1-Macro独立计算每个类别的F1分数,然后取平均值.
G-Mean (geometric mean), 计算灵敏度和特异性乘积的平方根,从而深入了解TP率和TN率性能之间的平衡.

在这里插入图片描述

Ablation study

在这里插入图片描述

  • 21
    点赞
  • 16
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

ca1m4n

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值