Fraud Detection w Grafach

Opis projektu

Badania nad wykrywaniem oszustw (fraud detection) z użyciem grafowych sieci neuronowych (GNN). Skupia się na metodach analizy grafów transakcyjnych, recenzji i sieci społecznościowych.

Kluczowe publikacje (with-pdf)

• duan-graph-fraud-gaap-2025 — GAAP: Global Attribute-Association Pattern Aggregation
• xu-crowdsourcing-fraud-mmma-2024 — CMT: crowdsourcing fraud w WeChat
• xu-edog-adversarial-2023 — EDoG: wykrywanie adversarial attacks na GNN

Referencje (metodologia GNN)

• duan-dga-gnn-dynamic-grouping-2024 — DGA-GNN
• tang-gadbench-graph-anomaly-2024 — GADBench
• tang-bwgnn-rethinking-gnn-2022 — BWGNN
• zhuo-pmp-partitioning-message-2024 — PMP
• liu-care-gnn-camouflaged-fraud-2020 — CARE-GNN

Datasety

• yelpchi, amazon-reviews — review fraud
• t-finance, t-social — financial/social fraud
• elliptic — Bitcoin fraud
• tolokers, dgraph-fin — inne

Aktywne kierunki badań

1. GNN adversarial robustness (EDoG extensions - ideas #16, #17, #18)
2. Soft links / behavioral similarity (CMT transfer - ideas #10, #11, #12)
3. GNN benchmark vs GAAP (simplicity-accuracy trade-off - idea #3)
4. Contrastive learning dla fraud (limited labels - idea #11)

Venue docelowe

• Główne: IEEE S&P, ACM CCS, USENIX Security, NDSS
• Alternatywne: KDD, ICDM, IEEE TIFS, IEEE TKDE

Tagi wyszukiwania

#gnn #fraud-detection #graph-neural-networks #anomaly-detection #adversarial