[论文解读] 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 5

一句话总结

本文提出 MGS-TGCN，一种面向签名式加密货币信任网络的、具有模式感知能力、群体签名平衡特性的时序图卷积网络，通过整合局部模式结构、全局群体平衡理论与时序动态特性，实现欺诈检测。该模型在 Bitcoin-Alpha 和 Bitcoin-OTC 数据集上优于先前方法，分别取得 0.433 和 0.342 的 F1 分数，消融实验确认了各组件的正向贡献。

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.

研究动机与目标

• 解决现有模型在建模签名动态网络中时序演化、局部结构模式与全局群体平衡时未能协同处理的缺陷。
• 通过利用局部拓扑模式与全局认知一致性原则，提升加密货币信任网络中的欺诈检测能力。
• 开发一种深度学习框架，以捕捉随时间演化的网络结构，同时保持稳定且可解释的节点嵌入表示。
• 验证模式感知聚合与群体平衡整合在增强异常检测节点表示学习方面的有效性。

提出的方法

• 模型使用签名时序网络的离散快照来处理随时间演化的图结构。
• 每个快照计算一个模式矩阵，其中每个条目统计涉及该边的特定三节点模式（如平衡/非平衡三元组）的数量，取代标准 GCN 聚合中的邻接矩阵。
• 通过使用模式矩阵作为消息传递机制的 GCN 层学习局部节点嵌入，以捕捉局部结构模式。
• 基于群体平衡理论计算全局节点嵌入：通过注意力机制将节点分配至潜在群体，并依据跨时间的全局表示更新嵌入。
• 在每个时间戳的最终节点嵌入通过拼接基于模式的局部嵌入与群体感知的全局嵌入获得，随后应用固定窗口滑动平均以保持时序一致性。
• 模型通过链接分类任务端到端训练，采用焦点损失处理类别不平衡问题，同时使用 t-SNE 可视化节点嵌入以评估其质量。

实验结果

研究问题

• RQ1 将基于模式的局部结构与群体平衡理论相结合，能否提升签名时序网络中的节点表示学习？
• RQ2 与现有基于 GCN 的基线模型相比，所提出的 MGS-TGCN 模型在真实世界加密货币信任网络中是否实现更优的欺诈检测性能？
• RQ3 模式矩阵、全局群体嵌入与时序聚合等各独立组件对模型性能的贡献程度如何？
• RQ4 所学习的节点嵌入在时间上是否足够稳定且具备良好判别性，特别是对欺诈相关节点？

主要发现

• MGS-TGCN 在 Bitcoin-Alpha 数据集上取得最高 F1 分数 0.433，在 Bitcoin-OTC 数据集上取得 0.342，优于所有基线模型。
• 消融实验表明，若移除任一组件（模式、签名聚合或全局嵌入），性能均出现可测量下降，证实其正向贡献。
• t-SNE 可视化显示，模型的动态节点嵌入在时间步之间表现出更强的稳定性，欺诈节点形成更紧密的聚类。
• 与静态 GCN 相比，MGS-TGCN 下的欺诈节点在嵌入空间中更清晰分离，表明其判别能力更强。
• 模型在精确率、召回率与 F1 分数上均实现性能提升，表明其在类别不平衡数据集上具备稳健性。
• 在 GCN 聚合中引入模式矩阵显著增强了局部结构建模能力，表现为移除模式整合后性能明显下降。