[論文レビュー] Partitioning Message Passing for Graph Fraud Detection

Wei Zhuo, Zemin Liu+5 more|arXiv (Cornell University)|Nov 16, 2024

Graph Labeling and Dimension Problems被引用数 7

ひとこと要約

Partitioning Message Passing (PMP) は GNN 集約時に近傍クラスを区別し、グラフ不正検知におけるラベルの不均衡と異質同質性を扱う。ノードごとのクラス認識フィルタと根ノード依存の重み生成器を用いて、詐欺ノードと健全ノードの情報を適応的に統合する。

ABSTRACT

Label imbalance and homophily-heterophily mixture are the fundamental problems encountered when applying Graph Neural Networks (GNNs) to Graph Fraud Detection (GFD) tasks. Existing GNN-based GFD models are designed to augment graph structure to accommodate the inductive bias of GNNs towards homophily, by excluding heterophilic neighbors during message passing. In our work, we argue that the key to applying GNNs for GFD is not to exclude but to {\em distinguish} neighbors with different labels. Grounded in this perspective, we introduce Partitioning Message Passing (PMP), an intuitive yet effective message passing paradigm expressly crafted for GFD. Specifically, in the neighbor aggregation stage of PMP, neighbors with different classes are aggregated with distinct node-specific aggregation functions. By this means, the center node can adaptively adjust the information aggregated from its heterophilic and homophilic neighbors, thus avoiding the model gradient being dominated by benign nodes which occupy the majority of the population. We theoretically establish a connection between the spatial formulation of PMP and spectral analysis to characterize that PMP operates an adaptive node-specific spectral graph filter, which demonstrates the capability of PMP to handle heterophily-homophily mixed graphs. Extensive experimental results show that PMP can significantly boost the performance on GFD tasks.

研究の動機と目的

• グラフ上の厳しいラベル不均衡と異質-同質混合を伴う堅牢な不正検知を動機づける。
• エッジを除外せず、隣接ノードのラベル情報を活用するメッセージ伝搬パラダイムを開発する。
• ノード固有のクラス認識フィルタと重み生成器によって集約を適応的にする。
• PMP の空間的定式化とノード固有スペクトルフィルタリングの理論的基盤を提供する。
• 複数データセットで最先端の GFD 手法に対する経験的向上を実証する。

提案手法

• 隣接ノードの集約をクラスごとに分割し、詐欺・健全・ラベルなしの隣接ノードそれぞれに別々の集約関数を適用する。
• ラベルなしの隣接ノードは、中心ノード依存の重み alpha_i^l を用いて詐欺と健全の集約の加重結合として表現される。
• 中心ノード表現からノード固有の W_fr,i および W_be,i を生成する重み生成器 Psi_fr と Psi_be を導入する。
• 各ノードごとに g_fr^i(L) および g_be^i(L) を用いた適応的なノード固有スペクトルフィルタとして PMP をモデル化し、異質-同質適応を可能にする。
• R 関係に跨るミニバッチ学習で訓練を行い、関係固有のノード表現を連結プーリングと MLP によって結合する。

実験結果

リサーチクエスチョン

• RQ1 グラフの拡張なしで、GNN がグラフ不正検知におけるラベル不均衡をどのように効果的に処理できるか。
• RQ2 単一のフレームワークで同質性/異質性の近傍影響を区別して不正検知精度を向上させることができるか。
• RQ3 ノード固有でクラス認識型の集約重みは、ラベルが不均衡なグラフにおける不正パターンへの頑健性を高めるか。
• RQ4 PMP の空間的定式化とスペクトルグラフフィルタリングの理論的関係は何か。
• RQ5 PMP ベースのモデルはベンチマークデータセットで既存の GFD 手法を上回るか。

主な発見

• PMP は Yelp、Amazon、T-Finance、T-Social データセットにおいて、複数の評価指標でベースラインを一貫して上回る。
• メッセージ伝搬時に詐欺と健全の隣接ノードを区別することで、均一な集約よりも性能が向上する。
• ラベルなし隣接ノードを該当の詐欺/健全集約の加重結合として適応的にブレンドすることで、エッジラベルの不確実性の扱いが改善される。
• 根ノード依存のノード生成重み行列により、局所的なグラフ構造への適応が可能となり、マイノリティクラスの信号伝搬を促進する。
• 理論的分析は PMP がノード固有スペクトルフィルタを実装し、異質-同質混合に対する適応応答を可能にすることを示している。