使用图形注意网络进行欺诈检测

通过GAT简单建模实战

---

---

前言

近年来，注意力机制的受欢迎程度迅速上升，成为许多自然语言处理和计算机视觉任务的最先进方法。它们的优势在于注意力允许神经网络有效地选择一个输入子集，这些输入似乎能够判断任务重要性，这使我们能够为最重要的特征保留我们的网络表现力。
通过实现图注意网络或GAT（论文）来构建图卷积网络，以对图结构化数据进行节点分类。

---

一、GAT数学表达

GAT的构建块是图形注意层，它是我们以前提到的聚合函数的变体。在 GAT 中，每个图层的输入是一组 N 个节点要素，其中 N 是节点数。每个图层的输出同样是一组 N 节点要素，但这些节点要素可能具有新的维度。然后，我们现在要做的就是应用一个共享注意力函数，该函数计算注意力系数，捕获每个输入节点的特征对每个节点的重要性。
数学形式：

​​​​

然后将来自邻居的嵌入聚合在一起，并根据图的结构属性（节点度）按注意力分数进行缩放。GAT 模型使用归一化注意力系数计算相邻节点变换特征的加权平均值（后跟非线性），作为 i 的新表示形式：

其中a_i表示共享注意力函数，W_i表示应用于每个节点的权重矩阵，h_i表示节点 i 的节点特征。

借鉴论文中的图例：

左图，模型采用的注意力机制。右图，多头注意力（K = 3 个头）由其邻域上的节点 1 绘制。

注意力机制具有可训练的参数并且是动态的，与标准的图形卷积网络/ GraphSAGE相比，它们所有消息的权重相等。
接下来将使用Pytorch Geometric PyG，这是建立在Pytorch之上的最受欢迎的图形深度学习框架。PyG适用于快速实现GNN模型，并且已经为与结构化数据相关的各种应用实现了大量的图形模型。
PyG 提供了 MessagePassing 基类，它通过自动处理消息传播来帮助创建此类消息传递图神经网络。基类提供了一些有用的函数。

二、模型建立

1.GAT

我们将使用这些卷积层来创建一个神经网络供我们使用。每一层都由运行卷积层组成，后跟 Relu 非线性函数和 dropout。它们可以多次堆叠形成卷积块，最后我们可以添加一些输出层。

import numpy as np
import pandas as pd
import torch
import matplotlib.pyplot as plt

import torch.nn.functional as F
from torch_geometric.data import Data, DataLoader
import scipy.sparse as sp

import warnings
warnings.filterwarnings("ignore")
import pandas as pd
from sklearn.model_selection import train_test_split

import torch.nn.functional as F
from sklearn.metrics import roc_auc_score
from torch.nn as nn
from torch_geometric.nn import GATConv

class GATv1(nn.Module):
    def __init__(self,in_channels,hidden_dim,out_channels,args):
        super(GATv1,self).__init__()
        
        self.conv1 = GATConv(in_channels,hidden_dim,heads=args['heads'])
        self.conv2 = GATConv(args['heads'] * hidden_dim,hidden_dim,heads=args['heads'])
        
        self.mlp = nn.Sequential(nn.Linear(args['heads'] * hidden_dim,hidden_dim),
                                 nn.Dropout(args['dropout']),
                                nn.Linear(hidden_dim,out_channels))
        
    def forward(self,data,adj=None):
        x, edge_index = data.x, data.edge_index
        x = self.conv1(x,edge_index)
        x = F.dropout(F.relu(x),p = args['dropout'],training=self.training)

        x = self.conv2(x,edge_index)
        x = F.dropout(F.relu(x),p = args['dropout'],training=self.training)

        x = self.mlp(x)

        return F.sigmoid(x)

2.读入数据

代码如下（示例）：
数据来自kaggle免费数据，https://www.kaggle.com/ellipticco/elliptic-data-set.

数据处理主要包括读入数据，节点特征，边连接，分类标签处理。未知数据标签为2，非法交易1，正常交易标签为2

features = pd.read_csv('../datasets/archive/elliptic_bitcoin_dataset/elliptic_txs_features.csv',header=None)
classes = pd.read_csv('../datasets/archive/elliptic_bitcoin_dataset/elliptic_txs_classes.csv')
edge_list = pd.read_csv('../datasets/archive/elliptic_bitcoin_dataset/elliptic_txs_edgelist.csv')
## 合并数据集将node_features与classes结合，根据txId列合并
df_merge = features.merge(classes,how='left',right_on='txId',left_on=0)
del features
del classes
import gc
gc.collect()
## 将0列排序，因为0列是节点数据。为下面的映射做准备
df_merge = df_merge.sort_values(0).reset_index(drop=True)
df_merge['class'] = df_merge['class'].map({'unknown': 2, '1':1, '2':0})
nodes = df_merge[0].values
## 将节点数据映射为1,2，3，...
map_id = {j:i for i, j in enumerate(nodes)}
edge_list.txId1 = edge_list.txId1.map(map_id)
edge_list.txId2 = edge_list.txId2.map(map_id)
labels = df_merge['class'] ##标签数据提取
node_features = df_merge.drop([0,1,'txId'],axis=1)
classify_id = node_features['class'].loc[node_features['class'] != 2].index  ##分类的数据标签，因为数据中包含未知数据，未知数据是用来测试的
unclassify_id = node_features['class'].loc[node_features['class'] == 2].index  ##未知数据标签
llic_classify_id = node_features['class'].loc[node_features['class'] == 0].index ##在分类数据标签的基础上包含非法交易和正常交易数据，把他们分出来
illic_classify_id = node_features['class'].loc[node_features['class'] == 1].index
weights = torch.ones(edge_list.shape[0],dtype=torch.double)##边的权重随机初始化为1

## edge_index转化为 [2,E]形状的tensor 类型为torch.long
edge_index = np.array(edge_list.values).T
edge_index = torch.tensor(edge_index,dtype=torch.long).contiguous()
node_features.drop(['class'],axis=1,inplace=True)
node_features = torch.tensor(np.array(node_features.values),dtype=torch.float)
train_idx,valid_idx = train_test_split(classify_id,test_size=0.2)
## 下面建立数据集
data_train = Data(x = node_features, edge_index=edge_index, edge_attr=weights,y = torch.tensor(labels,dtype=torch.float))
data_train.train_idx = train_idx
data_train.valid_idx = valid_idx
data_train.test_idx = unclassify_id

3.训练数据

class GATtrain(object):
    
    def __init__(self, model):
        self.model = model
        
    def train(self, data_train, loss_fn, optimizer,scheduler, args):
        for epoch in range(args['epochs']):
            self.model.train()
            optimizer.zero_grad()
            out = self.model(data_train)
            out = out.reshape((data_train.x.shape[0]))
            loss = loss_fn(out[data_train.train_idx],data_train.y[data_train.train_idx])
            
            target_labels = data_train.y.detach().cpu().numpy()[data_train.train_idx]
            pred_scores = out.detach().cpu().numpy()[data_train.train_idx]
            pred_labels = pred_scores > 0.5
            train_aucroc = roc_auc_score(target_labels, pred_scores)
    
            
            loss.backward()
            optimizer.step()
            
            self.model.eval()
            target_labels = data_train.y.detach().cpu().numpy()[data_train.valid_idx]
            pred_scores = out.detach().cpu().numpy()[data_train.valid_idx]
            pred_labels = pred_scores > 0.5
            val_aucroc = roc_auc_score(target_labels, pred_scores)
           
            
            if epoch % 1 == 0:
                print('epoch {}  -  loss: {:.4f}  -  accuracy roc: {:.4f}  -  val roc: {:.4f}'.format(epoch+1,loss.item(), train_aucroc, val_aucroc))
    
    def predict(self, data=None, unclassified_only=True, threshold=0.5):

        self.model.eval()
        if data is not None:
            self.data_train = data

        out = self.model(self.data_train)
        out = out.reshape((self.data_train.x.shape[0]))

        if unclassified_only:
            pred_scores = out.detach().cpu().numpy()[self.data_train.test_idx]
        else:
            pred_scores = out.detach().cpu().numpy()

        pred_labels = pred_scores > threshold

        return {"pred_scores":pred_scores, "pred_labels":pred_labels}

##配置文件
args={"epochs":10,
      'lr':0.01,
      'weight_decay':1e-5,
      'prebuild':True,
      'heads':3,
      'hidden_dim': 128, 
      'dropout': 0.5
      }

model = GATv1(data_train.num_node_features, args['hidden_dim'], 1, args)
optimizer = torch.optim.Adam(model.parameters(), lr=args['lr'], weight_decay=args['weight_decay'])
scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, 'min')
loss_fn = torch.nn.BCELoss()
gnn_trainer_gat = GATtrain(model)
gnn_trainer_gat.train(data_train,loss_fn, optimizer,  scheduler, args)

结果
epoch 1  -  loss: 0.7144  -  accuracy roc: 0.5320  -  val roc: 0.5362
epoch 2  -  loss: 0.9135  -  accuracy roc: 0.8391  -  val roc: 0.8404
epoch 3  -  loss: 0.5545  -  accuracy roc: 0.8651  -  val roc: 0.8649
epoch 4  -  loss: 0.2688  -  accuracy roc: 0.8771  -  val roc: 0.8800
epoch 5  -  loss: 0.2396  -  accuracy roc: 0.8875  -  val roc: 0.8907
epoch 6  -  loss: 0.2668  -  accuracy roc: 0.8922  -  val roc: 0.8943
epoch 7  -  loss: 0.2756  -  accuracy roc: 0.8918  -  val roc: 0.8889
epoch 8  -  loss: 0.2549  -  accuracy roc: 0.8868  -  val roc: 0.8895
epoch 9  -  loss: 0.2324  -  accuracy roc: 0.8846  -  val roc: 0.8820
epoch 10  -  loss: 0.2359  -  accuracy roc: 0.8862  -  val roc: 0.8808

---

总结

自己电脑配置问题，所以训练10个epoch，可以后续调参，增加准确度。
后续数据会上传，可能有人下不下来。