디지털 플랫폼의 확산은 사기범들이 다단계 협업 공격과 같은 정교한 위장 기술을 배포하여 탐지를 피할 수 있게 하였습니다. 전통적인 그래프 신경망(GNN)은 동질성 가정 실패, 심각한 레이블 불균형, 그리고 깊은 집계 중 잡음 증폭과 같은 제한으로 인해 이러한 복잡한 고차 패턴을 포착하는 데 종종 실패합니다. 이러한 문제를 해결하기 위해, 우리는 하이퍼그래프 기반 대조 학습 네트워크(HCLNet)를 제안합니다. 이는 세 가지 시너지를 이루는 혁신을 통합한 새로운 프레임워크입니다. 첫째, 다중 관계 하이퍼그래프 융합은 이질적인 연관성을 하이퍼엣지로 인코딩하여 쌍 연결을 넘어 그룹별 사기 범죄 집단을 명시적으로 모델링합니다. 둘째, 다중 헤드 게이트 하이퍼그래프 집계 메커니즘은 다양한 사기 패턴을 포착하기 위해 병렬 주의 헤드를 사용하고, 게이팅을 통해 원본 및 고차 특성을 동적으로 균형을 맞추며, 레이어 정규화를 통한 잔차 연결로 학습을 안정화합니다. 셋째, 계층적 이중 시각 대조 학습은 노드 및 하이퍼엣지 수준 모두에서 특성 마스킹 및 토폴로지 드롭아웃을 동시에 적용하여, 레이블 부족 상황에서 자기 감독식 구별을 최적화하기 위해 증강된 뷰를 구성합니다. 두 개의 실제 데이터셋에서 실시한 광범위한 실험은 HCLNet의 우수한 성능을 입증하며, 주요 평가 지표에서 기준 모델에 비해 상당한 개선을 달성하였습니다. 이 모델의 사기 및 정상 집단 간의 뚜렷한 분리 패턴을 드러내는 능력은 디지털 생태계에서 진화하는 위장사기 전술에 대항하는 데 실질적인 가치를 강조합니다.
Wang et al. (Wed,)은 이 질문을 연구하였습니다.