Enhanced Pre-Trained Graph Neural Networks with Applications in Financial Fraud Detection
Notice bibliographique
Résumé
Graph Neural Networks (GNNs) have demonstrated strong potentials in identifying complex patterns and detecting anomalies in large data. While pre-training has proven highly effective in domains such as natural language processing and computer vision, its application in graph-based tasks remains under-explored due to the risk of negative transfer. In the context of GNNs, pre-training helps capture general graph-based relational patterns, enhancing performance in downstream tasks such as fraud detection by fine-tuning on a domain-specific dataset. This research explores how pre-training can enhance the performance of GNNs first by proposing a modular framework, which provides flexibility to experiment with different configurations. The proposed framework aims to systematically integrate configurable modules for dataset selection, pre-training task design, and model configuration. Second, to demonstrate the effectiveness of pre-training in graph-based data analysis, we pre-train a model on a large available dataset, then employ it for fraud detection in finance domain where availability of data could be limited. We perform an experiment leveraging the large DGraphFin dataset for pre-training, and the Elliptic dataset for fine-tuning. The pre-trained GNN achieves notable performance improvements, with an F1 score of 88.7% and a recall of 0.831, surpassing prior benchmarks. The findings affirm the transformative potential of pre-training in graph-based tasks, particularly in financial fraud detection. Pre-training enhanced both the accuracy and robustness of fraud detection models, making it a worthwhile approach to explore for addressing the challenges of real-world financial fraud.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».