申请/专利权人：西北工业大学

申请日：2023-12-20

公开（公告）日：2024-04-16

公开（公告）号：CN117893212A

主分类号：G06Q20/40

分类号：G06Q20/40;G06F18/22;G06F18/24;G06F18/213;G06N3/0442;G06N3/092

优先权：

专利状态码：在审-公开

法律状态：2024.04.16#公开

摘要：本发明公开了一种金融网络中高效的异常子图发现方法，首先，构建异常子图编码器学习金融网络中图结构和财务分布背后的隐藏特征；然后采用粗选原型发现算法在金融网络中识别出粗略选择出来的异常原型，利用来自编码器阶段的训练参数将候选子图编码为向量，并与训练的异常子图进行匹配；最后，通过异常子图优化算法使用强化学习框架对异常子图进行优化。本发明提出的RADIO模型比最先进的模型更加高效和有效，可以平稳地扩展到非常大的金融网络。

主权项：1.一种金融网络中高效的异常子图发现方法，其特征在于，包括如下步骤：步骤1：构建异常子图编码器；步骤1-1：从训练的异常子图中抽样生成正子图样本对和负子图样本对；步骤1-2：对抽样的正子图样本对和负子图样本对应用加权图神经网络，用于对图的连接性和交易频率进行建模；步骤1-3：通过最小化正子图样本对之间的向量距离和最大化负子图样本对之间的向量距离，优化模型参数；步骤2：粗选原型发现；步骤2-1：对于金融网络中的每个节点v∈V，构建其k-ego网络；在每个k-ego网络上应用一种具有线性时间复杂度的子图发现算法，该算法通过迭代剥离k-ego网络，也就是删除度最小的节点并重新计算剩余图的密度直到密度ρS最高的子图被确定为近似最密子图；步骤2-2：采用早期修剪策略，从近似最密子图中筛选出top-p异常子图；使用统计量，其中该统计量计算了子图中的实际分布与预期的Benford分布之间的偏差，如下式4所示： 其中，是子图中交易金额的第一个数字等于o∈{1,···,9}的边的数量，表示基于Benford定律的预期边数，其中交易金额的第一个数字等于o；步骤2-3：只选择基于与Benford定律的偏差而确定的top-p异常子图作为进一步考虑的候选项；步骤2-4：使用步骤1中定义的加权图神经网络，将每个子图的图结构编码成向量空间；然后，将嵌入与训练中的异常子图的编码向量接近的子图被确定为粗选的异常原型步骤3：异常子图优化；步骤3-1：强化学习中的状态；在第i步，状态包括及其边界其中表示从粗选原型发现算法中得到的粗选异常原型；边界包括直接连接到的节点，根据它们与中节点的累积交易频率进行选择；具体来说，选择具有最大累积交易频率总和的节点，限制为m个节点；形式上，边界节点定义为式5所示： 其中，rs,c表示节点s和节点c之间的交易频率，条件|I|≤m确保边界中节点的数量不超过m；定义第i+1步时节点v的表示如式6所示： 其中，fβvi表示节点v在第i步时由加权图神经网络得到的节点表示，β表示可训练参数；是一个指示函数，如果条件满足则返回1，否则返回0；表示第i+1步时的子图G[SP]；步骤3-2：行动；在第i步，选择中的一个节点进行排除，并选择中的一个节点进行添加，然后得到为了删除节点和添加节点行动，还添加了一个虚拟节点表示停止行动；应用一个多层感知机来提取行动空间中节点背后的隐藏特征，然后通过Softmax函数将它们映射到选择删除或添加特定节点的概率；对于删除或添加行动，检查这些行动是否会导致更高的和值，其中是第i+1步时子图G[SP]的平均χ2统计量；如果条件满足，则执行该行动；具体而言，该行动的定义如式7所示： 其中，Vai表示第i步的行动空间，包括边界和当前子图qiv表示第i步节点U的表示；α表示MLP中的可训练参数；对于删除行动，仅在移除节点不会导致一个断开的子图时才排除该节点；步骤3-3：奖励；定义异常度为式8： 其中，表示子图的每个节点的平均χ2，是子图的密度；每一步的奖励被定义为所选行动导致的异常度增加将问题优化为一个最大化问题，目标是通过优化奖励最大化获得的最优行动，即式9所示： 其中，和分别是第i+1步和第i步子图G[SP]的异常度，使用策略梯度来优化问题。

全文数据：

权利要求：

百度查询： 西北工业大学 一种金融网络中高效的异常子图发现方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD