Buchumschlag

Financial Fraud Detection using Jump-Attentive Graph Neural Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Kadam, Prashank
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Cryptography and Security J.1
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

GPT-Guided Monte Carlo Tree Search for Symbolic Regression in Financial Fraud Detection
von: Kadam, Prashank
Veröffentlicht: (2024)

Enhancing Financial Fraud Detection with Human-in-the-Loop Feedback and Feedback Propagation
von: Kadam, Prashank
Veröffentlicht: (2024)

Dynamic Relation-Attentive Graph Neural Networks for Fraud Detection
von: Kim, Heehyeon, et al.
Veröffentlicht: (2023)

Detecting Credit Card Fraud via Heterogeneous Graph Neural Networks with Graph Attention
von: Sha, Qiuwu, et al.
Veröffentlicht: (2025)

Q-AGNN: Quantum-Enhanced Attentive Graph Neural Network for Intrusion Detection
von: Chaudhary, Devashish, et al.
Veröffentlicht: (2026)

Starlit: Privacy-Preserving Federated Learning to Enhance Financial Fraud Detection
von: Abadi, Aydin, et al.
Veröffentlicht: (2024)

A Multi-Scale Graph Learning Framework with Temporal Consistency Constraints for Financial Fraud Detection in Transaction Networks under Non-Stationary Conditions
von: Lei, Yiming, et al.
Veröffentlicht: (2026)

Leakage Safe Graph Features for Interpretable Fraud Detection in Temporal Transaction Networks
von: Khaleghpour, Hamideh, et al.
Veröffentlicht: (2026)

FraudFox: Adaptable Fraud Detection in the Real World
von: Butler, Matthew, et al.
Veröffentlicht: (2026)

Addressing Noise and Stochasticity in Fraud Detection for Service Networks
von: Zhang, Wenxin, et al.
Veröffentlicht: (2025)

Scalable and Verifiable Federated Learning for Cross-Institution Financial Fraud Detection
von: Panth, Prajwal, et al.
Veröffentlicht: (2026)

Detecting Financial Fraud with Hybrid Deep Learning: A Mix-of-Experts Approach to Sequential and Anomalous Patterns
von: Vallarino, Diego
Veröffentlicht: (2025)

Unveiling the Threat of Fraud Gangs to Graph Neural Networks: Multi-Target Graph Injection Attacks Against GNN-Based Fraud Detectors
von: Choi, Jinhyeok, et al.
Veröffentlicht: (2024)

LMAE4Eth: Generalizable and Robust Ethereum Fraud Detection by Exploring Transaction Semantics and Masked Graph Embedding
von: Jia, Yifan, et al.
Veröffentlicht: (2025)

DMGNN: Detecting and Mitigating Backdoor Attacks in Graph Neural Networks
von: Sui, Hao, et al.
Veröffentlicht: (2024)

Applying Self-supervised Learning to Network Intrusion Detection for Network Flows with Graph Neural Network
von: Xu, Renjie, et al.
Veröffentlicht: (2024)

Few Edges Are Enough: Few-Shot Network Attack Detection with Graph Neural Networks
von: Bilot, Tristan, et al.
Veröffentlicht: (2025)

A Survey of Heterogeneous Graph Neural Networks for Cybersecurity Anomaly Detection
von: Jiang, Laura, et al.
Veröffentlicht: (2025)

Semi-Supervised Supply Chain Fraud Detection with Unsupervised Pre-Filtering
von: Moradi, Fatemeh, et al.
Veröffentlicht: (2025)

Towards Quantum-Ready Blockchain Fraud Detection via Ensemble Graph Neural Networks
von: Haider, M. Z., et al.
Veröffentlicht: (2025)

Stealing Training Graphs from Graph Neural Networks
von: Lin, Minhua, et al.
Veröffentlicht: (2024)

On the Adversarial Robustness of Graph Neural Networks with Graph Reduction
von: Wu, Kerui, et al.
Veröffentlicht: (2024)

Ethereum Fraud Detection via Joint Transaction Language Model and Graph Representation Learning
von: Sun, Jianguo, et al.
Veröffentlicht: (2024)

Graph Neural Network Explanations are Fragile
von: Li, Jiate, et al.
Veröffentlicht: (2024)

On Stealing Graph Neural Network Models
von: Podhajski, Marcin, et al.
Veröffentlicht: (2025)

Global Context Enhanced Anomaly Detection of Cyber Attacks via Decoupled Graph Neural Networks
von: Hafez, Ahmad
Veröffentlicht: (2024)

ATOM: A Framework of Detecting Query-Based Model Extraction Attacks for Graph Neural Networks
von: Cheng, Zhan, et al.
Veröffentlicht: (2025)

Certified Defense on the Fairness of Graph Neural Networks
von: Dong, Yushun, et al.
Veröffentlicht: (2023)

Detecting Financial Bots on the Ethereum Blockchain
von: Niedermayer, Thomas, et al.
Veröffentlicht: (2024)

Revisiting Edge Perturbation for Graph Neural Network in Graph Data Augmentation and Attack
von: Liu, Xin, et al.
Veröffentlicht: (2024)

GENIE: Watermarking Graph Neural Networks for Link Prediction
von: Bachina, Venkata Sai Pranav, et al.
Veröffentlicht: (2024)

Preserving Node-level Privacy in Graph Neural Networks
von: Xiang, Zihang, et al.
Veröffentlicht: (2023)

Adversarial Attacks on Locally Private Graph Neural Networks
von: Varun, Matta, et al.
Veröffentlicht: (2026)

Node-level Contrastive Unlearning on Graph Neural Networks
von: Lee, Hong kyu, et al.
Veröffentlicht: (2025)

Are You Using Reliable Graph Prompts? Trojan Prompt Attacks on Graph Neural Networks
von: Lin, Minhua, et al.
Veröffentlicht: (2024)

Deterministic Certification of Graph Neural Networks against Graph Poisoning Attacks with Arbitrary Perturbations
von: Li, Jiate, et al.
Veröffentlicht: (2025)

How does Graph Structure Modulate Membership-Inference Risk for Graph Neural Networks?
von: Khosla, Megha
Veröffentlicht: (2026)

Exact Certification of (Graph) Neural Networks Against Label Poisoning
von: Sabanayagam, Mahalakshmi, et al.
Veröffentlicht: (2024)

Link Stealing Attacks Against Inductive Graph Neural Networks
von: Wu, Yixin, et al.
Veröffentlicht: (2024)

Safeguarding Graph Neural Networks against Topology Inference Attacks
von: Fu, Jie, et al.
Veröffentlicht: (2025)