ハイパーグラフベースのコントラスティブラーニングによる不正検知の強化

科学分野:

• 人工知能
• 機械学習
• サイバーセキュリティ

背景:

• デジタルプラットフォームは、マルチホップ攻撃を使用した洗練された不正に直面しています。
• 従来のグラフニューラルネットワーク（GNN）は、ホモフィリー、ラベルの不均衡、ノイズのために複雑な不正パターンに対処するのが困難です。
• 既存の方法では、不正ネットワークにおける高次の関係構造を捉えることができません。

研究 の 目的:

• 偽装された不正を検出するための新しいフレームワーク、ハイパーグラフベースのコントラスティブラーニングネットワーク（HCLNet）を開発すること。
• 複雑な高次の不正パターンを捉える上での従来のGNNの限界を克服すること。
• デジタルエコシステムにおける不正検知システムの精度と堅牢性を向上させること。

主な方法:

• グループごとの不正シンジケートをモデル化するための多関係ハイパーグラフ融合。
• 多様なパターンキャプチャと特徴量バランスのためのマルチヘッドゲート付きハイパーグラフ集約。
• 自己教師あり識別における特徴量マスキングとトポロジーのドロップアウトを使用した階層的デュアルビューコントラスティブラーニング。

主要な成果:

• HCLNetは、現実世界のデータセットにおいて、ベースライン手法と比較して優れたパフォーマンスを示しました。
• 不正検知の主要な評価指標全体で有意な改善が観察されました。
• このモデルは、不正エンティティと正規エンティティの間の明確な分離パターンを効果的に明らかにしました。

結論:

• HCLNetは、進化する偽装不正戦術と戦うための強力な新しいアプローチを提供します。
• 複雑な関係をモデル化するフレームワークの能力は、検出能力を強化します。
• この研究は、デジタル環境におけるより堅牢な不正検知に貢献します。