사기 탐지는 예를 들어 가짜 리뷰를 남기거나 비정상적인 거래를 수행하는 방식으로 다른 사용자들을 속이는 사기 행위자를 찾아내는 것을 목표로 한다. 그래프 기반 사기 탐지 방법은 이 과제를 두 개의 클래스, 즉 사기(frauds) 또는 정상(normal)으로 분류하는 문제로 간주한다. 우리는 동적 관계-주의(attentive) 집계 메커니즘을 제안함으로써 그래프 신경망(Graph Neural Networks, GNNs)을 사용하여 이 문제를 해결한다. 실제 세계의 많은 그래프가 서로 다른 유형의 관계를 포함한다는 관찰에 기초하여, 우리는 관계별로 노드 표현을 학습하고, 각 관계에 서로 다른 주의 계수(attention coefficient)를 부여하는 학습 가능한 주의 함수(attention function)를 이용해 노드 표현들을 집계한다. 또한 특정 노드의 국소적 구조와 전역적 구조를 모두 고려하기 위해 서로 다른 층(layer)에서의 노드 표현을 결합하며, 이는 이질성(heterophily)이 존재하는 그래프에서 사기 탐지 성능을 향상시키는 데 유리하다. 모든 집계 과정에 동적 그래프 주의(dynamic graph attention)를 적용함으로써, 본 방법은 각 노드에 대한 주의 계수를 적응적으로 계산한다. 실험 결과는 우리의 방법인 DRAG이 실제 세계 벤치마크 데이터셋에서 최첨단 사기 탐지 방법들을 능가함을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.