[논문 리뷰] Motif-aware temporal GCN for fraud detection in signed cryptocurrency trust networks

Song Li, Jian Zhou외 4명|arXiv (Cornell University)|2022. 11. 22.

Advanced Graph Neural Networks인용 수 5

한 줄 요약

이 논문은 지역 모티프 구조, 글로벌 그룹 균형 이론, 시간적 동역학을 통합하여 사기 탐지에 적합한 모티프 인식형, 그룹 서명형, 시간적 그래프 컨볼루션 네트워크인 MGS-TGCN을 제안한다. 모델은 Bitcoin-Alpha 및 Bitcoin-OTC 데이터셋에서 기존 방법들을 능가하며, 각각 F1 스코어 0.433과 0.342를 기록했으며, 추론 분석을 통해 각 구성 요소의 기여도가 긍정적임을 확인했다.

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.

연구 동기 및 목표

• 기존 모델이 서명된 동적 네트워크에서 시간적 진화, 국소 구조적 모티프, 글로벌 그룹 균형을 동시에 모델링하지 못하는 격차를 보완하기 위해.
• 국소 위상 패턴과 글로벌인지 일관성 원칙을 활용하여 암호화폐 신뢰 네트워크에서의 사기 탐지를 향상시키기 위해.
• 시간에 따라 변화하는 네트워크 구조를 포착하면서도 안정적이고 해석 가능한 노드 임베딩을 유지하는 딥 러닝 프레임워크를 개발하기 위해.
• 모티프 인식형 집합과 그룹 균형 통합이 이상 탐지에 위한 노드 표현 학습을 향상시키는 데 기여하는지 검증하기 위해.

제안 방법

• 모델은 서명된 시간적 네트워크의 이산 스크래치샷을 사용하여 시간에 따른 변화하는 그래프 구조를 처리한다.
• 각 스크래치샷에서 모티프 행렬을 계산하며, 각 엣지가 포함된 특정 3노드 모티프(예: 균형/균형 잔여 삼각형)의 수를 세어 표준 인접 행렬을 대체한다.
• 지역 노드 임베딩은 모티프 행렬을 메시지 전달 메커니즘으로 사용하는 GCN 레이어를 통해 학습하여 국소 구조 패턴을 포착한다.
• 글로벌 노드 임베딩은 그룹 균형 이론을 사용하여 계산한다: 노드는 어텐션 메커니즘을 통해 잠재 그룹에 할당되며, 교차 시간 글로벌 표현 기반으로 임베딩을 업데이트한다.
• 각 타임스탬프에서의 최종 노드 임베딩은 지역 모티프 기반 임베딩과 글로벌 그룹 인식 임베딩을 연결한 후, 고정 윈도우 이동 평균을 적용하여 시간적 일관성을 유지한다.
• 클래스 불균형을 다루기 위해 포칼 손실을 사용하여 링크 분류를 엔드 투 엔드로 훈련하며, 노드 임베딩은 t-SNE를 통해 시각화되어 품질을 평가한다.

실험 결과

연구 질문

• RQ1 모티프 기반 국소 구조와 그룹 균형 이론을 통합하면 서명된 시간적 네트워크에서 노드 표현 학습이 향상되는가?
• RQ2 제안된 MGS-TGCN 모델은 실제 암호화폐 신뢰 네트워크에서 기존 GCN 기반 베이스라인 대비 더 뛰어난 성능을 보이는가?
• RQ3 개별 구성 요소인 모티프 행렬, 글로벌 그룹 임베딩, 시간적 집합이 모델 성능에 얼마나 기여하는가?
• RQ4 특히 사기 관련 노드에 대해 학습된 노드 임베딩은 시간에 걸쳐 얼마나 안정적이고 분류 능력이 뛰는가?

주요 결과

• MGS-TGCN는 Bitcoin-Alpha 데이터셋에서 F1 스코어 0.433, Bitcoin-OTC 데이터셋에서 0.342를 기록하여 모든 베이스라인을 능가한다.
• 추론 분석 결과, 모티프, 서명된 집합, 글로벌 임베딩 중 어느 요소라도 제거할 경우 성능 저하가 발생함을 확인하여 각 구성 요소의 기여도가 긍정적임을 입증한다.
• t-SNE 시각화 결과, 모델의 동적 노드 임베딩은 시간 단계 간에 더 높은 안정성을 보이며, 사기 노드가 더 응집된 군집을 이룬다.
• 정적 GCN 대비 MGS-TGCN에서는 사기 노드가 임베딩 공간에서 더 명확하게 분리됨을 확인하여 분류 능력 향상이 확인된다.
• 모델의 성능 향상은 정밀도, 재현율, F1 스코어 전반에 걸쳐 일관되며, 불균형 데이터셋에서의 강건성을 입증한다.
• GCN 집합에 모티프 행렬을 사용함으로써 국소 구조 모델링이 크게 향상됨을 입증하였으며, 모티프 통합을 제거할 경우 성능 저하가 발생함을 통해 이를 확인할 수 있다.