一种用于无监督图欺诈检测的免标签异质性引导方法

图欺诈检测（GFD）通过识别恶意欺诈者，在保护在线服务方面取得了快速进展。最近的监督 GFD 研究强调，欺诈者与用户之间的异质性连接会极大影响检测性能，因为欺诈者倾向于通过与良性用户建立更多连接来伪装自己。尽管监督 GFD 方法性能优异，但对标签的依赖限制了其在无监督场景中的应用；此外，在没有标签的情况下准确捕获复杂多样的异质性模式提出了进一步的挑战。为了填补这一空白，我们提出了一种用于无监督 GFD 的异质性引导无监督图欺诈检测方法（HUGE），该方法包含两个基本组件：异质性估计模块和基于对齐的欺诈检测模块。在异质性估计模块中，我们设计了一种名为 HALO 的新型免标签异质性度量，它捕获了 GFD 的关键图属性，使其具备从节点属性估计异质性的卓越能力。在基于对齐的欺诈检测模块中，我们开发了一种结合排序损失和非对称对齐损失的 MLP-GNN 联合架构。排序损失将预测的欺诈分数与 HALO 的相对顺序对齐，通过比较非相邻节点间的异质性提供了额外的鲁棒性保证。此外，非对称对齐损失有效利用了结构信息，同时缓解了 GNN 的特征平滑效应。在 6 个数据集上的广泛实验表明，HUGE 显著优于竞争方法，展示了其有效性和鲁棒性。