[论文解读] 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 7

一句话总结

分区消息传递（PMP）在图神经网络聚合中区分邻居类别，以解决图欺诈检测中的标签不平衡和异类性问题，使用节点特异、类别感知的滤波器和根节点特异的权重生成器来自适应融合来自欺诈和良性邻居的信息。

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.

研究动机与目标

• 在标签严重不平衡且存在异类-同质混合的问题的图上推动鲁棒的欺诈检测。
• 开发一个消息传递范式，在不排除边的前提下利用邻居标签信息。
• 通过节点特异、类别感知的滤波器和权重生成器使聚合具有自适应性。
• 提供理论基础，将空间 PMP 与节点特异的谱滤波联系起来。
• 在多个数据集上展示相较于最先进的 GFD 方法的经验提升。

提出的方法

• 通过按类别对邻居聚合进行分区，使用分别针对欺诈、良性和未标注邻居的聚合函数。
• 未标注的邻居表示为欺诈与良性聚合的加权组合，权重 alpha_i^l 依节点中心表示而定。
• 引入权重生成器 Psi_fr 和 Psi_be，基于中心节点表示产生节点特异的 W_fr,i 和 W_be,i。
• 将 PMP 建模为每个节点的自适应节点特异谱滤波器，具有 g_fr^i(L) 和 g_be^i(L)，实现对异类/同质的自适应。
• 在跨越 R 个关系的小批量学习中进行训练；通过连接池化和 MLP 将关系特异的节点表示进行拼接聚合。

实验结果

研究问题

• RQ1 GNN 如何在不进行图增强的情况下有效处理图欺诈检测中的标签不平衡？
• RQ2 一个单一框架是否能区分同质性和异质性邻居影响以提升欺诈检测准确性？
• RQ3 节点特异、类别感知的聚合权重是否能提高在不平衡图中对欺诈模式的鲁棒性？
• RQ4 PMP 的空间公式与谱图滤波之间的理论关系是什么？
• RQ5 基于 PMP 的模型是否在基准数据集上优于现有的 GFD 方法？

主要发现

• PMP 在多个欺诈检测数据集与指标上持续优于基线方法。
• 在消息传递过程中区分欺诈和良性邻居比统一聚合获得更好的性能。
• 未标注邻居通过自适应混合欺诈与良性聚合来提升对边标签不确定性的处理。
• 根节点特异、由节点生成的权重矩阵使每个节点能够适应局部图结构，从而提升少数类信号的传播。
• 理论分析表明 PMP 实现了节点特异的谱滤波，能够对异类-同质混合进行自适应响应。