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。

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：

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：

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

$$ \mathcal{D}^l(v,v^{'})=||\sigma(MLP^l(h_v^{l-1})-\sigma(MLP^l(h_{v^{'}}^{l-1})||_1 $$

$$ S^l(v,v^{'})=1-\mathcal{D}^l(v,v^{'}) $$

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： $$ \mathcal{L}^l_{simi}=\sum_{v\in \mathcal{V}}-log(y_v \cdot \sigma(MLP^l(h_v^l))) $$

相似度感知邻居选择

Top-p Sampling：

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

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

那么如何选择阈值$p^l_r$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 $e$内的平均距离: $$ G(\mathcal{D}^l_r)^e=\frac{\sum_{v\in V_{train}}\mathcal{D}^l_r(v,v^{'})^e}{|V_{train}|} $$ 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

$$ f(p_r^l,a_r^l)^e= \\ +1,G(\mathcal{D}_r^l)^{e-1}-G(\mathcal{D}_r^l)^{e}\ge 0 \\-1,G(\mathcal{D}_r^l)^{e-1}-G(\mathcal{D}_r^l)^{e}\lt 0 $$

终止条件为：

$$ |\sum^{e}_{e-10} f(p_{r}^{l},a_{r}^{l})^{e}|\le 2,where \ e\ge 10 $$

关系感知邻居聚合器

• 关系内聚合 $$ h^l_{v,r}=ReLU(AGG_r^l({h_{v^{'}}^{l-1}:(v,v^{'} )\in\mathcal{E}_r^l})) $$

• 关系间聚合 $$ h^l_{v,r}=ReLU(AGG_{all}^l(h_{v}^{l-1}\oplus{ p_r^l\cdot h_{v,r}^l}|_{r=1}^R)) $$

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

而$AGG_{all}$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： $$ \mathcal{L}_{GNN}=\sum_{v\in \mathcal{V}}-log(y_v\cdot \sigma(MLP(z_v))) $$ 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：

算法更新过程：

实验结果