DGA-GNN: Dynamic Grouping Aggregation GNN for Fraud Detection
Metadane
- Autorzy: Mingjiang Duan, Tongya Zheng, Yalun Gao, Guojun Wang, Zunlei Feng, Xinyu Wang
- Rok: 2024
- Źródło: Proceedings of the AAAI Conference on Artificial Intelligence
- Status: to-read
- Pochodzenie: Wyekstrahowane z duan-graph-fraud-gaap-2025
- Tagi: to-read reference fraud-detection gnn dynamic-grouping graph-neural-networks
Streszczenie
DGA-GNN to metoda łącząca zalety tradycyjnych metod uczenia maszynowego (attribute patterns) z Graph Neural Networks (association patterns) dla detekcji oszustw. Wykorzystuje dynamic grouping aggregation do łączenia cech atrybutowych z topologią grafu. Cytowana w GAAP jako jedna z najlepszych metod typu “combined methods” osiągająca 69.40% average Rec@K na 7 datasetach.
Kluczowe Wnioski
- Combined method: łączy attribute patterns z association patterns end-to-end
- Osiąga 69.40% average Rec@K (2nd best w categorii combined methods)
- Adresuje problem non-additive features przez dynamic grouping
- Wykorzystuje one-hot encoding dla categorical attributes (preprocessing)
Notatki
Publikacja dodana automatycznie z bibliografii GAAP. Jest to baseline method cytowany jako state-of-the-art combined approach przed wprowadzeniem GAAP. Dodaj PDF aby wygenerować pełne podsumowanie używając /summarize-paper duan-dga-gnn-dynamic-grouping-2024
Context z GAAP: “DGA-GNN outperformed XGBGraph likely because the feature extraction for the association pattern in XGBGraph occurs before the learning process, which does not receive optimal optimization. Ours outperformed DGA-GNN due to the double optimization problem in the attribute pattern of DGA-GNN.”