一起养成写作习惯！这是我参与「掘金日新计划 · 4 月更文挑战」的第19天，点击查看活动详情 Hello，非常感谢你的关注~ 我是机器学习与风控，一名末流985的本硕，无顶会、无大厂核心部门实习，拥有多个比赛的竞赛经历，秋招刷了leetcode500题，在秋招提前批中收获字节跳动，腾讯，阿里，美团等大厂offer，最终选择入职字节风控，从事与黑产对抗的工作。我会定期分享我的春招、秋招亲身求职体验；算法岗日常工作；数据挖掘比赛，经典图模型等日常学习等有料也有趣的内容~秋招到了，欢迎各位私信找我内推！！！部门缺少开发，算法等岗位验证缺人。
1.IEEE BigData 2021 Deep Fraud Detection on Non-attributed Grap
个人总结：
主动学习和一个有趣的选择器！！剩下的都是常规操作，类似HAN的东西。
动机：
GNN有同质性假设，欺诈者擅于伪装。因此通过共享实体进行识别（IP或者设备），在图上紧密相连。因此GNN可以检测。
缺陷：
1.每个场景下需要个性化构造图。
2.需要属性（破坏隐私）
贡献
1.提出了一个通用的图构造和节点初始化方法。首先提出一个方案把原始的 图转换成一个更小的图
2.初始化特征方案。（度数一类的东西)
3.自训练保存更多信息，缓解标签困难问题。
模型
- 图构造
结构上：d个维度的one-hot，从而判断边的类型。 1.大大减少图尺寸，只保留了目标节点2.连接仍然保留3.单层的时候，同质忘了可以获得更多的邻居信息。
属性上：随机 ，节点度。pagerank，特征值
- 图预训练
对比学习思路做与训练：
- 数据增强。 正例：u节点的多次随机游走。负例：其它节点的随机游走
编码：Graph Isomorphism Network (GIN)
编码器训练：InfoNCE
参考moco的那套
模型微调：上述训练完成后，用交叉熵微调编码器。
预训练策略
实验数据集：
某个工业数据集。
无代码+数据
nips 2021 Distilling Meta Knowledge on Heterogeneous Graph for Illicit Drug Trafficker Detection on Social Media
个人总结：
社交网络下的贩毒检测。原始特征构建的适合考虑了多个模特的。做了一点点数据增强，从全局的角度 考虑构建自建度任务。 元学习。
多关系
1）利用 特征间相似性增强图表示
2）利用 自监督无标签数据(基于属性从全局找到详细的节点和不相似的节点构造 训练标签）。
数据和代码暂无。
下一篇会介绍《www21 Pick and Choose: A GNN-based Imbalanced Learning Approach
for Fraud Detection》