이중 경로 그래프 필터링을 이용한 그래프 기반 사기 탐지

Graph-Based Fraud Detection with Dual-Path Graph Filtering

그래프 데이터에서의 사기 탐지는 다양한 유형의 노드를 구별해야 하는 어려운 작업으로 간주될 수 있습니다. 그래프 신경망(GNN)은 메시지 전달 연산을 통해 그래프 형태로 인코딩된 정보를 처리하는 데 자연적으로 적합하므로, GNN 모델 기반 방법은 사기 탐지 분야에서 점점 더 많은 관심을 받고 있습니다. 그러나 사기 그래프는 본질적으로 관계 위장, 높은 이질성 및 클래스 불균형을 나타내므로, 대부분의 GNN은 사기 탐지 작업에서 성능이 저하되는 경향이 있습니다. 이러한 문제를 해결하기 위해, 본 논문에서는 이중 경로 그래프 필터링(DPF-GFD)을 이용한 그래프 기반 사기 탐지 모델을 제안합니다. DPF-GFD는 먼저 베타 웨이블 기반 연산자를 사용하여 원래 그래프의 주요 구조적 패턴을 추출합니다. 그런 다음, 거리 기반 노드 표현을 사용하여 유사성 그래프를 구성하고, 개선된 저주파 필터를 적용합니다. 원래 그래프와 유사성 그래프에서 추출된 임베딩은 지도 학습을 통해 융합되어 노드 특징을 얻고, 이는 최종적으로 앙상블 트리 모델에 의해 사용되어 레이블이 없는 노드의 사기 위험도를 평가합니다. 기존의 단일 그래프 평활화 접근 방식과 달리, DPF-GFD는 사기 탐지에 특화된 주파수 보완 이중 경로 필터링 패러다임을 도입하여 구조적 이상 모델링과 특징 유사성 모델링을 명시적으로 분리합니다. 이러한 설계는 높은 이질성과 불균형을 가진 사기 그래프에서 더 구별력 있고 안정적인 노드 표현을 가능하게 합니다. 네 개의 실제 금융 사기 탐지 데이터 세트에 대한 종합적인 실험 결과는 제안된 방법의 효과를 입증합니다.

Fraud detection on graph data can be viewed as a demanding task that requires distinguishing between different types of nodes. Because graph neural networks (GNNs) are naturally suited for processing information encoded in graph form through their message-passing operations, methods based on GNN models have increasingly attracted attention in the fraud detection domain. However, fraud graphs inherently exhibit relation camouflage, high heterophily, and class imbalance, causing most GNNs to underperform in fraud detection tasks. To address these challenges, this paper proposes a Graph-Based Fraud Detection Model with Dual-Path Graph Filtering (DPF-GFD). DPF-GFD first applies a beta wavelet-based operator to the original graph to capture key structural patterns. It then constructs a similarity graph from distance-based node representations and applies an improved low-pass filter. The embeddings from the original and similarity graphs are fused through supervised representation learning to obtain node features, which are finally used by an ensemble tree model to assess the fraud risk of unlabeled nodes. Unlike existing single-graph smoothing approaches, DPF-GFD introduces a frequency-complementary dual-path filtering paradigm tailored for fraud detection, explicitly decoupling structural anomaly modeling and feature similarity modeling. This design enables more discriminative and stable node representations in highly heterophilous and imbalanced fraud graphs. Comprehensive experiments on four real-world financial fraud detection datasets demonstrate the effectiveness of our proposed method.