相关实验视频
Updated: May 1, 2026
11:36
Glycan Node Analysis: A Bottom-up Approach to Glycomics
Published on: May 22, 2016
10.1K
HMOA-GNN:自适应对抗 GraphSAGE 具有层级混合采样和对计量优化的图形构造,用于信用卡欺诈检测和欺诈
Lina Ni1,2, Xuqiang Li1, Yuewei Zhou1
1College of Computer Science and Engineering, Shandong University of Science and Technology, Qingdao, 266590, Shandong, China.
Scientific reports
|December 2, 2025
概括
本研究介绍了HMOA-GNN,这是一个用于检测信用卡欺诈的新框架. 它有效地处理不平衡的数据,并使用先进的图形神经网络技术提高准确性.
科学领域:
- 机器学习 机器学习
- 数据科学数据科学数据科学
- 金融技术 金融技术
背景情况:
- 准确的信用卡欺诈检测对于金融安全至关重要.
- 图形神经网络 (GNN) 显示出对交易分析的前景.
- 现有的GNN与不平衡的数据集和非图形数据作斗争.
研究的目的:
- 提出HMOA-GNN,一个新的信用卡欺诈检测框架.
- 为了解决处理不平衡和表格交易数据的局限性.
- 为了提高GNN在欺诈检测方面的性能.
主要方法:
- 密度驱动的分层混合采样 (DEHS) 用于数据平衡.
- 用于图形构建的度量优化的潜空间相似度图构造 (MOLS-GC).
- 通过对抗训练,特征适应 GraphSAGE (AdaAdvSAGE) 进行增强的聚合.
主要成果:
- 在真实世界数据集上,HMOA-GNN展示了卓越的性能.
- 该框架有效处理高度不平衡的交易数据.
- 改进的特征聚合和自适应学习有助于提高准确性.
结论:
- HMOA-GNN为信用卡欺诈检测提供了一个强大的解决方案.
- 提出的方法显著改进了现有的基于GNN的方法.
- 这一框架加强了金融系统的防范欺诈的保护.
