사기 탐지는 예를 들어 가짜 리뷰를 남기거나 비정상적인 거래를 수행함으로써 다른 사용자들을 속이는 사기범을 찾아내는 것을 목표로 한다. 그래프 기반 사기 탐지 방법들은 이 과제를 사기와 정상의 두 가지 클래스를 갖는 분류 문제로 간주한다. 본 연구에서는 동적 관계-주의적 집계(dynamic relation-attentive aggregation) 메커니즘을 제안함으로써 Graph Neural Networks(GNNs)를 사용하여 이 문제를 다룬다. 실제 세계의 많은 그래프들이 서로 다른 유형의 관계들을 포함한다는 관찰에 기반하여, 관계마다 노드 표현을 학습하고, 각 관계에 대해 서로 다른 주의 계수(attention coefficient)를 부여하는 학습 가능한 주의 함수(attention function)를 이용해 노드 표현들을 집계하도록 제안한다. 또한 특정 노드의 국소 및 전역 구조를 모두 고려하기 위해 서로 다른 층(layer)에서 얻은 노드 표현들을 결합하며, 이는 이질성(heterophily)이 존재하는 그래프에서의 사기 탐지 성능 향상에 유리하다. 모든 집계 과정에서 동적 그래프 어텐션(dynamic graph attention)을 적용함으로써, 본 방법은 각 노드에 대한 주의 계수를 적응적으로 계산한다. 실험 결과, 본 방법인 DRAG는 실제 세계 벤치마크 데이터셋에서 최첨단 사기 탐지 방법들보다 우수한 성능을 보였다.

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