PC-GNN之前发表的一篇解决识别伪装欺诈者（Graph Neural Network-based Fraud Detectors against Camouflaged Fraudsters）的图神经网络论文，PC-GNN也与之进行了对比。

image-20210907211521322

解决问题

对比PC-GNN解决的是伪装欺诈者在图上的不平衡问题，CARE首先解决伪装欺诈者的端到端识别问题。

伪装欺诈者的伪装主要分为两部分

  1. Feature camouflage：聪明的骗子可能会调整他们的行为，在评论中添加特殊字符，或使用深度语言生成模型来掩盖明确的可疑结果，这些有助于绕过基于特征的检测器。
  2. Relation camouflage：骗子将自己与良好的实体关联在一起（比如定期发布评论或与有信誉的用户联系），以此逃避检测

伪装存在证明

根据作者github的更新：

YelpChi rur rtr rsr homo
Avg. Feature Similarity 0.991 0.988 0.988 0.988
Avg. Label Similarity 0.909 0.176 0.186 0.184
Amazon upu usu uvu homo
Avg. Feature Similarity 0.711 0.687 0.697 0.687
Avg. Label Similarity 0.167 0.056 0.053 0.072
  1. 对于特征伪装，计算节点特征向量的欧氏距离作为节点相似度，然后用全部的边的数量进行归一化，结果发现平均的节点相似度非常高。
  2. 对于关系伪装，基于两个相连的节点是否存在相同的标签来计算标签相似度，然后用全部的边的数量进行归一化。高标签相似度证明欺诈者未能成功伪装，而低标签相似度证明欺诈者成功伪装。结果只有R-U-R关系的标签相似度超过20%，其他均低于20%。

计算公式：

img

解决方法

于是，为了对抗骗子的伪装，作者提出三种手段：

  1. 针对特征伪装，提出标签感知相似度测量，基于节点特征来找到最相似的邻居。
  2. 针对关系伪装，设计了一个相似度感知邻居选择器，选择出一个关系中一个中心节点的相似的邻居。在GNN训练的过程中，使用强化学习找到最优的邻居选择阈值
  3. 使用学习到的邻居过滤阈值来规划一个关系感知邻居聚合器，将不同关系中的邻居节点信息结合在一起。

模型部分

标签感知相似度测量

无监督相似度度量手段难以将伪装的特征识别出来，所以需要一个有监督的参数化的相似度度量手段。

使用一层的MLP作为标签预测器，使用L1范式度量相似度

Dl(v,v′)=∣∣σ(MLPl(hvl−1)−σ(MLPl(hv′l−1)∣∣1 \mathcal{D}^l(v,v^{'})=||\sigma(MLP^l(h_v^{l-1})-\sigma(MLP^l(h_{v^{'}}^{l-1})||_1

Sl(v,v′)=1−Dl(v,v′) S^l(v,v^{'})=1-\mathcal{D}^l(v,v^{'})

为了直接训练到标签的相似度度量参数，单独设置一个损失函数： Lsimil=∑v∈V−log(yv⋅σ(MLPl(hvl))) \mathcal{L}^l_{simi}=\sum_{v\in \mathcal{V}}-log(y_v \cdot \sigma(MLP^l(h_v^l)))

相似度感知邻居选择

Top-p Sampling：

对于第 ll 层关系 rr ，过滤的阈值为prl∈[0,1]p^l_r\in [0,1](闭区间说明可以全取或不取)

邻居个数选择prl⋅∣{Sl(v,v′)}∣p^l_r\cdot | \{ S^l(v,v^{'}) \} |,相似度降序排列

那么如何选择阈值prlp^l_r呢？

  • 不存在梯度，也就没有办法使用BP训练更新

  • 作者提出RL过程来选择最优超参

先计算一个epoch ee内的平均距离: G(Drl)e=∑v∈VtrainDrl(v,v′)e∣Vtrain∣ G(\mathcal{D}^l_r)^e=\frac{\sum_{v\in V_{train}}\mathcal{D}^l_r(v,v^{'})^e}{|V_{train}|} 使用强化学习的方法，奖赏定义为：两个epoch间，当平均距离减小时正值，平均距离增大时负值

f(prl,arl)e=+1,G(Drl)e−1−G(Drl)e≥0−1,G(Drl)e−1−G(Drl)e<0 f(p_r^l,a_r^l)^e= \\ +1,G(\mathcal{D}_r^l)^{e-1}-G(\mathcal{D}_r^l)^{e}\ge 0 \\-1,G(\mathcal{D}_r^l)^{e-1}-G(\mathcal{D}_r^l)^{e}\lt 0

终止条件为：

∣∑e−10ef(prl,arl)e∣≤2,where e≥10 |\sum^{e}_{e-10} f(p_{r}^{l},a_{r}^{l})^{e}|\le 2,where \ e\ge 10

关系感知邻居聚合器

  • 关系内聚合 hv,rl=ReLU(AGGrl(hv′l−1:(v,v′)∈Erl)) h^l_{v,r}=ReLU(AGG_r^l({h_{v^{'}}^{l-1}:(v,v^{'} )\in\mathcal{E}_r^l}))

  • 关系间聚合 hv,rl=ReLU(AGGalll(hvl−1⊕prl⋅hv,rl∣r=1R)) h^l_{v,r}=ReLU(AGG_{all}^l(h_{v}^{l-1}\oplus{ p_r^l\cdot h_{v,r}^l}|_{r=1}^R))

其中prlp_r^l是前面强化学习而来的参数，AGGrlAGG_{r}^l是mean聚合器，

而AGGallAGG_{all}可以是任意种聚合器，作者在论文里测试了mean聚合器、Weight聚合器、attention聚合器、GNN聚合器。

损失函数： LGNN=∑v∈V−log(yv⋅σ(MLP(zv))) \mathcal{L}_{GNN}=\sum_{v\in \mathcal{V}}-log(y_v\cdot \sigma(MLP(z_v))) 其中使用MLP对节点嵌入进行二分类。

模型汇总

目标函数如下，综合了经验风险与结构风险，使用L2正则化以减少过拟合：

image-20211005084438070

算法更新过程：

image-20211005084613590

实验结果

image-20211005084745547