面向非平稳条件下基于时序一致性约束的金融欺诈检测的多尺度图学习框架
机器学习
2026-03-17 v1 密码学与安全
摘要
金融欺诈检测涉及稀疏异常建模、动态模式以及严重类别不平衡，需在数据存在时间漂移的环境中进行。在真实交易系统中，可疑交易很少是孤立的：合法交易和可疑交易常通过账户、中介或通过时间序列交易相互连接。因此，基于属性或随机分区的学习管道不足以检测关系结构化的欺诈行为。STC-MixHop 是一个图基框架，结合空间多分辨率传播与轻量级时序一致性建模，用于动态交易网络中的异常和欺诈检测。它集成了三个组件：一个受 MixHop 启发的多尺度邻域扩散编码器，用于学习结构模式；一个空间-时间注意力模块，将当前快照与前一快照耦合，以稳定表征；以及一个时序感知的自监督预训练策略，利用未标记的交易交互，提高表征质量。我们主要在严格的时间顺序划分下评估 PaySim 数据集，并补充 Porto Seguro 和 FEMA 数据以探讨跨域组件行为。结果表明，STC-MixHop 在图方法中具有竞争力，在高度不平衡的条件下实现了强大的筛选导向召回率。实验还揭示了一个重要边界条件：当节点属性高度信息性时，基于表格的基线较难被超越。图结构的贡献在操作上至关重要的隐藏关系依赖情形下才表现得最为明显。这些发现支持一种以稳定性为导向的图学习在金融欺诈检测中的观点。
引用
@article{arxiv.2603.14592,
title = {A Multi-Scale Graph Learning Framework with Temporal Consistency Constraints for Financial Fraud Detection in Transaction Networks under Non-Stationary Conditions},
author = {Yiming Lei and Qiannan Shen and Junhao Song},
journal= {arXiv preprint arXiv:2603.14592},
year = {2026}
}
备注
39 pages, 13 figures