[論文レビュー] Graph Neural Network with One-side Edge Sampling for Fraud Detection

Hoang Hiep Trieu|arXiv (Cornell University)|Jan 11, 2026

Imbalanced Data Classification Techniques被引用数 0

ひとこと要約

論文は One-Side Edge Sampling (OES) を導入し、詐欺検知における GNN の訓練を高速化し、過度平滑化/過適合を抑制することを、浅いバックボーンと深いバックボーンの両方で二つのデータセットを用いて検証する。

ABSTRACT

Financial fraud is always a major problem in the field of finance, as it can cause significant consequences. As a result, many approaches have been designed to detect it, and lately Graph Neural Networks (GNNs) have been demonstrated as a competent candidate. However, when trained with a large amount of data, they are slow and computationally demanding. In addition, GNNs may need a deep architecture to detect complex fraud patterns, but doing so may make them suffer from problems such as over-fitting or over-smoothing. Over-fitting leads to reduced generalisation of the model on unseen data, while over-smoothing causes all nodes' features to converge to a fixed point due to excessive aggregation of information from neighbouring nodes. In this research, I propose an approach called One-Side Edge Sampling (OES) that can potentially reduce training duration as well as the effects of over-smoothing and over-fitting. The approach leverages predictive confidence in an edge classification task to sample edges from the input graph during a certain number of epochs. To explain why OES can alleviate over-smoothing, I perform a theoretical analysis of the proposed approach. In addition, to validate the effect of OES, I conduct experiments using different GNNs on two datasets. The results show that OES can empirically outperform backbone models in both shallow and deep architectures while also reducing training time.

研究の動機と目的

• 大規模データの存在下でグラフニューラルネットワーク（GNN）を用いた詐欺検知に取り組む。
• パフォーマンスを損なうことなく訓練時間を短縮する。
• 選択的エッジサンプリングを通じて過度平滑化と過適合を緩和する。
• エッジサンプリングの有効性を理論的に正当化する。
• 複数のデータセットで異なるGNNバックボーンを跨いでOESを実験的に検証する。

提案手法

• 入力グラフから数エポックの間エッジをサンプリングする One-Side Edge Sampling (OES) を導入する。
• エッジ分類タスクにおける予測信頼度を活用してエッジサンプリングを導く。
• さまざまなGNNバックボーンにOESを適用し、訓練と性能への影響を評価する。
• OES が過度平滑化を緩和する仕組みを説明する理論分析を提供する。
• 浅いおよび深い構成のバックボーンモデルと比較するため、2つのデータセットで実験を行う。

実験結果

リサーチクエスチョン

• RQ1 OES はバックボーンGNNと比較して訓練時間を短縮しつつ精度を維持または向上できるか。
• RQ2 OES は詐欺検知のための GNN における過度平滑化と過適合を抑制するか。
• RQ3 OES は浅い対深いGNNアーキテクチャ間でどう機能するか。
• RQ4 one-side edge sampling の利点の理論的直感は何か。
• RQ5 詐欺検知タスクの異なるデータセット間で結果は一般化するか。

主な発見

• OES は浅いおよび深いアーキテクチャの両方でバックボーンモデルより実証的に優れている。
• OES はベースライン訓練と比較して訓練時間を短縮する。
• エッジサンプリングが過度平滑化を防ぐ方法を説明する理論分析。
• 2つのデータセットの実験により、アーキテクチャ全体でOESの有効性が検証される。