Revisiting Graph-Based Fraud Detection in Sight of Heterophily and Spectrum

AAAI24
推荐指数： #paper/⭐
领域：异常检测

摘要

这篇文章是关于一种新型的基于图神经网络（GNN）的欺诈检测方法，称为SEC-GFD（Spectrum-Enhanced and Environment-Constrainted Graph Fraud Detector）。文章首先讨论了基于图的欺诈检测（GFD）的重要性和挑战性，特别是考虑到欺诈图通常具有异质性（heterophily）的特点，即欺诈节点与其邻居节点的类别标签或特征往往不同。这使得许多传统的GNN模型表现不佳，因为它们通常假设同质性（homophily）。

胡言乱语

直接看下图：其实就是把高通，低通，高通滤波器的高阶组成了混通滤波器，然后再用低通滤波器与KNN图的限制视角来限制整个过程。(第二个的逻辑没有想明白，感觉只是简单的组合)。因此，只给了一颗星

全局框架

混合带通滤波器

为了将频谱划分为合适的频段，我们使用BWGNN作为我们的backborn
$${\mathcal{W}}_{p,q}=U{\beta }_{p,q}^{\ast }(\Lambda )U^T=\frac{(\frac{L}{2}{)}^p(I-\frac{L}{2}{)}^q}{2B(p+1,q+1)},$$
其中，$p+q=C$
解耦光谱进入C+1个频谱区域
$$\mathcal{W}=(W_{0C},W_{1C-1},\cdots ,W_{C0}).$$
但是，这样做，低阶邻居的高阶信号会缺乏。因此，我们使用如下filter去过滤：
$$\begin{array}{rl}{R}_1:{\mathcal{F}}_H^1& \epsilon I-\tilde{A}=(\epsilon -1)I+L,\\ R_2:{\mathcal{F}}_H^2& =(\epsilon I-\tilde{A}{)}^2=((\epsilon -1)I+L{)}^2,\\ R_{C-1}:{\mathcal{F}}_H^{C-1}& =(\epsilon I-\tilde{A}{)}^{C-1}=((\epsilon -1)I+L{)}^{C-1}.\end{array}$$
下一步，我们使用拼接操作去合并更多的信息：
$$\begin{array}{rl}& Hybrid=Concat(\mathcal{W},\mathcal{R})\\ & =(\stackrel{\text{(C+1) Band-pass}}{\overbrace{W_{0,C},W_{1,C-1},\cdots ,W_{C,0}}},\stackrel{\text{(C-1) High-pass}}{\overbrace{R_1,\cdots ,R_{C-1}}}).\end{array}$$
消息聚合函数对于每个band的消息分别传播：
$$\begin{array}{rl}& H_0=MLP(X),\\ & {\mathcal{B}}_i=W_{i,C-i}{H}_0{\mathcal{H}}_j=R_j{H}_0,\\ & \text{H}=f_{agg}({\mathcal{B}}_0,\cdots ,{\mathcal{B}}_C,{\mathcal{H}}_1,\cdots ,{\mathcal{H}}_{C-1}),\end{array}$$
我们使用和BWGNN一样的加权CE-loss来训练模型:
$${\mathcal{L}}_{hybrid}=\sum _{v\in \mathcal{V}}\left[\delta y_v\log p_v+(1-y_v)\log \left(1-p_v\right)\right],$$
$\delta$ 表示检测比

对模型的本地限制：

我们定义如下传播函数：
h t ( l + 1 ) = U P D A T E ( h t ( l ) , A G G ( { h v ( l ) : v ∈ N t } ) ) h_t^{(l+1)}=\mathrm{UPDATE}\left(h_t^{(l)},\mathrm{AGG}\left(\{h_v^{(l)}:v\in\mathcal{N}_t\}\right)\right) ht(l+1)​=UPDATE(ht(l)​,AGG({hv(l)​:v∈Nt​}))
$H_t^{neigh}=\mathrm{AGG}(h_t^1,h_t^2,...,h_t^L),$
这个函数其实就相当于一个简单的SGC，实验中常取2或者3层
我们也使用KNN视图：
H t k n n = f m e a n ( { x u ∣ ∀ u ∈ K t } ) = 1 ∣ K t ∣ ∑ u ∈ K t x u . H_t^{knn}=f_{mean}(\{\mathbf{x}_u|\forall u\in K_t\})=\frac{1}{|K_t|}\sum_{u\in K_t}\mathbf{x}_u. Htknn​=fmean​({xu​∣∀u∈Kt​})=∣Kt​∣1​∑u∈Kt​​xu​.
最终，我们设计了一个限制损失函数：${\mathcal{L}}_{env}$
$${\mathcal{L}}_{\text{env}}=-\log \left(\frac{\frac{1}{|{\mathcal{V}}_n|}{\sum }_{v_i\in {\mathcal{V}}_n}{e}_{v_i}^{\text{sim}(H_{v_i}^{\text{neigh}},H_{v_i}^{knn})}}{\frac{1}{|{\mathcal{V}}_a|}{\sum }_{v_j\in {\mathcal{V}}_a}{e}_{v_j}^{\text{sim}(H_{v_j}^{\text{neigh}},H_{v_j}^{knn})}}\right),,$$

最终欺诈损失：

$$\mathcal{L}=\alpha {\mathcal{L}}_{hybrid}+(1-\alpha ){\mathcal{L}}_{env}.$$