Core Concepts
MMMA 그래프의 이질성과 동적 특성을 모델링하여 자기지도 학습 기반으로 크라우드소싱 사기를 효과적으로 탐지할 수 있다.
Abstract
이 논문은 다양한 기능이 통합된 메신저 앱(MMMA)에서 발생하는 크라우드소싱 사기를 탐지하는 방법을 제안한다.
MMMA 데이터를 이질적이고 동적인 시간 그래프(HTG)로 모델링한다. HTG에는 사용자, 그룹, 기기 등 다양한 노드 유형과 친구 추가, 그룹 초대, 송금 등 다양한 관계 유형이 포함된다.
제안하는 CMT 모델은 HTG의 이질성과 동적 특성을 모두 고려한다. CMT는 이질적 그래프 인코더(HG-Encoder)를 사용하여 HTG의 이질성을 캡처하고, 사용자 행동 패턴의 두 가지 "뷰"인 시간 스냅샷 시퀀스와 사용자 관계 시퀀스를 구축한다. 이 두 시퀀스에 대해 데이터 증강 및 대조 학습 기반 인코더(CS-Encoder)를 적용하여 자기지도 학습 방식으로 사용자 표현을 학습한다.
실험 결과, CMT는 WeChat 데이터셋과 금융 데이터셋에서 다른 방법들보다 우수한 성능을 보였다. 이는 CMT가 MMMA 그래프의 이질성과 동적 특성을 효과적으로 모델링하여 크라우드소싱 사기를 탐지할 수 있음을 보여준다.
Stats
크라우드소싱 사기에 연루된 사용자는 단기간에 많은 행동(친구 추가, 그룹 초대, 송금 등)을 보인다.
정상 사용자에 비해 사기 사용자의 행동 패턴이 시간에 따라 더 역동적으로 변화한다.
Quotes
"크라우드소싱 사기 탐지는 감독 학습에 의존하기 어려운데, (1) 수많은 MMMA 사용자를 라벨링하기 어렵고, (2) 사용자 프라이버시 보호를 위해 채팅 내용 등 사용자 특징에 접근할 수 없기 때문이다."
"MMMA 그래프의 이질성과 동적 특성을 모델링하기 위해서는 사용자 행동을 다양한 관점에서 파악할 수 있어야 하며, 시간에 따른 특징도 충분히 활용할 수 있어야 한다."