[논문 리뷰] Graph Neural Network with One-side Edge Sampling for Fraud Detection

Hoang Hiep Trieu|arXiv (Cornell University)|2026. 01. 11.

Imbalanced Data Classification Techniques인용 수 0

한 줄 요약

논문은 한쪽 사이드 엣지 샘플링(OES)을 도입하여 GNN 학습 속도를 높이고 사기 탐지에서 과도한 평활화/과적합을 줄이며, 얕은 백본과 깊은 백본에서 두 데이터셋에 대해 검증된다.

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.

연구 동기 및 목표

• 대규모 데이터가 존재하는 상황에서 그래프 신경망(GNN)을 이용한 사기 탐지 문제를 다룬다.
• 성능 저하 없이 학습 시간을 단축한다.
• 선택적 엣지 샘플링을 통해 과도한 평활화 및 과적합을 완화한다.
• 엣지 샘플링의 효과에 대한 이론적 정당성을 제공한다.
• 여러 데이터셋에서 다양한 GNN 백본에 걸쳐 OES를 실증적으로 검증한다.

제안 방법

• 여러 에폭에 걸쳐 입력 그래프에서 엣지를 샘플링하는 One-Side Edge Sampling(OES)을 도입한다.
• 엣지 분류 작업에서의 예측 신뢰도를 활용하여 엣지 샘플링을 안내한다.
• 다양한 GNN 백본에 OES를 적용하여 학습 및 성능에 미치는 영향을 평가한다.
• OES가 과도한 평활화를 완화하는 방법을 설명하는 이론 분석을 제공한다.
• 얕은 및 깊은 구성을 가진 백본 모델과 비교하기 위해 두 데이터셋에서 실험을 수행한다.

실험 결과

연구 질문

• RQ1 OES가 백본 GNN과 비교하여 정확도를 유지하거나 향상시키면서 학습 시간을 줄일 수 있는가?
• RQ2 OES가 사기 탐지용 GNN에서 과도한 평활화 및 과적합을 완화하는가?
• RQ3 얕은 versus 깊은 GNN 아키텍처에서 OES의 성능은 어떠한가?
• RQ4 단측 엣지 샘플링의 이점에 대한 이론적 직관은 무엇인가?
• RQ5 사기 탐지 작업의 서로 다른 데이터셋에서 결과가 일반화되는가?

주요 결과

• OES는 얕은 및 깊은 아키텍처에서 백본 모델보다 경험적으로 더 우수하다.
• OES는 기본 학습보다 학습 시간을 단축한다.
• 이론적 분석은 엣지 샘플링이 과도한 평활화를 방지하는 데 어떻게 도움이 되는지 설명한다.
• 두 데이터셋의 실험은 다양한 아키텍처에서 OES의 효과를 검증한다.