[論文レビュー] Motif-aware temporal GCN for fraud detection in signed cryptocurrency trust networks

Song Li, Jian Zhou+4 more|arXiv (Cornell University)|Nov 22, 2022

Advanced Graph Neural Networks被引用数 5

ひとこと要約

本稿では、局所的なモチーフ構造、グローバルなグループバランス理論、および時間的ダイナミクスを統合することで、署名付き暗号通貨信頼ネットワークにおける不正検出を実現する、モチーフに注意を向けたグループ署名付き時間的グラフ畳み込みネットワーク（MGS-TGCN）を提案する。本モデルは、Bitcoin-AlphaおよびBitcoin-OTCデータセットにおいて、先行手法を上回り、それぞれF1スコア0.433および0.342を達成した。アブレーションスタディにより、各コンポonentの正の寄与が確認された。

ABSTRACT

Graph convolutional networks (GCNs) is a class of artificial neural networks for processing data that can be represented as graphs. Since financial transactions can naturally be constructed as graphs, GCNs are widely applied in the financial industry, especially for financial fraud detection. In this paper, we focus on fraud detection on cryptocurrency truct networks. In the literature, most works focus on static networks. Whereas in this study, we consider the evolving nature of cryptocurrency networks, and use local structural as well as the balance theory to guide the training process. More specifically, we compute motif matrices to capture the local topological information, then use them in the GCN aggregation process. The generated embedding at each snapshot is a weighted average of embeddings within a time window, where the weights are learnable parameters. Since the trust networks is signed on each edge, balance theory is used to guide the training process. Experimental results on bitcoin-alpha and bitcoin-otc datasets show that the proposed model outperforms those in the literature.

研究の動機と目的

• 既存のモデルが、署名付き動的ネットワークにおける時間的進化、局所的構造的モチーフ、およびグローバルなグループバランスを同時にモデル化できないというギャップを埋める。
• 局所的なトポロジカルパターンとグローバルな認知的一致性原理の両方を活用することで、暗号通貨信頼ネットワークにおける不正検出を向上させる。
• 時間の経過に伴う変化するネットワーク構造を捉えることができる深層学習フレームワークを構築し、安定的かつ説明可能なノード埋め込みを維持する。
• モチーフに注意を向けたアグリゲーションおよびグループバランス統合が、異常検出のためのノード表現学習をどのように向上させるかを検証する。

提案手法

• 本モデルは、署名付き時間的ネットワークの離散的スナップショットを用いて、時間の経過に伴う変化するグラフ構造を処理する。
• 各スナップショットごとにモチーフ行列が計算され、各エッジが関与する特定の3ノードモチーフ（例：バランス／アンバランスなトライアド）の数をカウントする。この行列が、GCNアグリゲーションにおける標準的な隣接行列に置き換わる。
• 局所的なノード埋め込みは、GCN層を用いてモチーフ行列をメッセージスイーピングのメカニズムとして使用することで学習され、局所的な構造的パターンを捉える。
• グローバルなノード埋め込みは、グループバランス理論を用いて計算される：ノードはアテンションメカニズムを介して潜在的なグループに割り当てられ、クロスタイムのグローバル表現に基づいて埋め込みが更新される。
• 各タイムス탬プにおける最終的なノード埋め込みは、局所的なモチーフベースの埋め込みとグローバルなグループに配慮した埋め込みを連結した後、固定ウィンドウの移動平均を適用して時間的整合性を保持する。
• 本モデルは、クラス不均衡を扱うためにファーコンスロスを用いたリンク分類によりエンドツーエンドで訓練され、t-SNEを用いてノード埋め込みの品質を可視化する。

実験結果

リサーチクエスチョン

• RQ1 モチーフに基づく局所的構造とグループバランス理論を統合することで、署名付き時間的ネットワークにおけるノード表現学習が向上するか？
• RQ2 提案されたMGS-TGCNモデルは、実世界の暗号通貨信頼ネットワークにおいて、既存のGCNベースのベースラインと比較して優れた不正検出性能を達成するか？
• RQ3 個々のコンポーネント（モチーフ行列、グローバルグループ埋め込み、時間的アグリゲーション）は、モデルの性能にどの程度寄与しているか？
• RQ4 特に不正関連ノードに関して、学習されたノード埋め込みは時間経過でどの程度安定的かつ判別可能であるか？

主な発見

• MGS-TGCNは、Bitcoin-Alphaデータセットで最高のF1スコア0.433、Bitcoin-OTCデータセットで0.342を達成し、すべてのベースラインを上回った。
• アブレーションスタディにより、モチーフ、署名付きアグリゲーション、またはグローバル埋め込みのいずれかを削除すると性能が顕著に低下することが確認され、各コンponentの正の寄与が裏付けられた。
• t-SNE可視化により、モデルの動的ノード埋め込みは時間ステップにわたってより高い安定性を示したことが明らかになった。不正ノードはより一貫性のあるクラスタを形成した。
• 静的GCNと比較して、MGS-TGCNでは不正ノードが埋め込み空間でより明確に分離されていた。これは、分類能の向上を示している。
• モデルの性能向上は、精度、再現率、F1のすべての指標で一貫しており、不均衡なデータセットにおいても頑健であることを示している。
• GCNアグリゲーションにおけるモチーフ行列の使用は、局所的構造モデリングを顕著に向上させた。特に、モチーフ統合を削除した場合の性能低下がその証明である。