【KDD2024】SEFraud：通过解释性掩码学习实现的基于图的自解释欺诈检测

来源：专知本文为论文介绍，建议阅读5分钟我们提出了SEFraud，这是一种新颖的基于图的自解释欺诈检测框架，同时解决欺诈检测和结果解释问题。基于图的欺诈检测在现代工业场景中有广泛应用，如垃圾评论和恶意账户检测。虽然在设计有效的欺诈检测器方面已经投入了大量努力，但其结果的可解释性往往被忽视。先前的工作尝试使用后处理解释方法（如GNNExplainer）为特定实例生成解释。然而，后处理解释无法促进模型预测，这些方法的计算成本也无法满足实际需求，从而限制了它们在现实场景中的应用。为了解决这些问题，我们提出了SEFraud，这是一种新颖的基于图的自解释欺诈检测框架，同时解决欺诈检测和结果解释问题。具体来说，SEFraud首先利用定制的异构图Transformer网络，并通过可学习的特征掩码和边掩码从信息丰富的异构交易中学习表 ………………………………