Global and Local Confidence Based Fraud Detection Graph Neural Network

本文介绍了全局和局部置信度图神经网络（GLC-GNN），这是一种创新的基于图的异常检测方法，解决了欺诈活动中的异质性和伪装的挑战。通过引入原型来封装图的全局特征，并为每个节点计算全局置信度（GC）值，GLC-GNN有效区分良性和欺诈节点。该模型利用GC生成注意力值进行消息聚合，增强了其捕捉同质性和异质性的能力。通过对四个开放数据集的广泛实验，GLC-GNN表现出优越的性能，比现有模型在准确性和收敛速度方面都要好，同时保持了紧凑的模型大小和加速的训练过程。GLC-GNN中全局和局部置信度措施的整合为图中异常检测提供了强大的解决方案，对于跨越不同领域的欺诈检测具有重要意义。

本文旨在解决图形异常检测中异质性和欺骗性的挑战。该论文提出了一种新的全局和局部置信度图神经网络（GLC-GNN）方法，以区分良性和欺诈节点。

GLC-GNN模型引入原型来封装图的全局特征，并计算每个节点的全局置信度（GC）值，有效区分良性和欺诈节点。该模型利用GC生成消息聚合的注意力值，增强了捕捉同质性和异质性的能力。

通过对四个开放数据集的广泛实验，GLC-GNN在准确性和收敛速度方面展现出优于现有模型的卓越性能，同时保持了紧凑的模型大小和快速的训练过程。GLC-GNN中全局和局部置信度措施的整合为图形异常检测提供了一个强大的解决方案，对于各种领域的欺诈检测具有重要的影响。

最近在这个领域中，还有一些相关的研究正在进行。例如：《Deep Autoencoding Gaussian Mixture Model for Unsupervised Anomaly Detection》、《Graph Convolutional Networks for Text Classification》等。