BriefGPT - AI 论文速递
·
再审视基于图的欺诈检测：异质性和频谱视角
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了一种基于联邦图学习的新型框架（2SFGL），用于改善金融犯罪检测的安全和效率。实验证明，将GCN和2SFGL集成应用于此任务可以提高17.6％-30.2％的性能，将GraphSAGE和2SFGL集成应用可以提高6％-16.2％的性能。该框架是一种稳健且简单易用的协议，可以与现有的基于图的欺诈检测方法简单集成。
🎯
关键要点
-
提出了一种基于联邦图学习的新型框架（2SFGL）用于金融犯罪检测。
-
与仅使用 FedAvg 的情况相比，GCN 与 2SFGL 集成应用可提高 17.6%-30.2% 的性能。
-
GraphSAGE 与 2SFGL 集成应用可提高 6%-16.2% 的性能。
-
该框架是一种稳健且简单易用的协议，易于与现有的基于图的欺诈检测方法集成。
➡️
