机构名称：
¥ 1.0
在金融交易中进行检测至关重要，特别是对于确定诸如阴谋欺骗之类的复杂行为。传统机器学习方法主要集中在孤立的节点特征上，通常忽略了互互互操作节点的更广泛背景。基于图形的技术，尤其是图形神经网络（GNN），通过有效利用关系信息来推进该领域。但是，在现实世界中的欺骗检测数据集中，交易行为表现出动态，不规则的模式。措施欺骗检测方法虽然在某些方面有效，但仍在努力捕获动态和多样化的，不断发展的节点之间的关系的复杂性。为了应对这些挑战，我们提出了一个名为“生成动态图”模型（GDGM）的新颖框架，该框架对动态交易行为进行建模以及节点之间的关系，以学习阴谋欺骗检测的表示表示。具体来说，我们的方法结合了生成动态的潜在空间，以捕获时间模式和不断发展的市场条件。原始交易数据首先将其转换为时标的序列。然后，我们使用神经普通微分方程和门控反式单元对交易行为进行建模，以生成结合欺骗模式的时间动态的表示形式。此外，还采用了伪标记的结构和异质聚合技术来收集相关信息并提高阴谋欺骗行为的检测性能。对欺骗检测数据集进行的实验表明，我们的方法在检测准确性方面构成了最先进的模型。此外，我们的欺骗检测系统已成功部署在最大的全球交易市场之一中，进一步验证了所提出方法的实际适用性和性能。
生成性动力图形 - 代表性学习 -
主要关键词
相关文件推荐
