ATM-GAD：用于金融交易网络的自适应时序图谱异常检测
机器学习
2025-08-29 v1
摘要
金融欺诈检测对于保障数十亿美元至关重要，但现代金融系统中交织的实体和快速变化的交易行为常常击败常规机器学习模型。最近的图基检测器通过将交易表示为网络图谱取得了进展，但仍忽略了两种源自时间的欺诈特征：(1) 时序图案——揭示异常资金流动的重复且显眼的子图，以及 (2) 账户特有的异常活动间隔——当欺诈仅在每个实体唯一的短时段内出现时。为利用这两种信号，我们引入 ATM-GAD，一种基于时序图案的自适应图神经网络用于金融异常检测。时序图案提取器将每个账户的交易历史浓缩为最具信息性的图案，保留拓扑结构和时序模式。这些图案随后由双注意力块分析：IntraA 推理单个图案内的相互作用，而 InterA 在图案之间聚合证据，以暴露多步骤欺诈方案。并行地，一个可微自适应时窗学习者为每个节点调整观察窗口，使模型能够精准地聚焦于最具启发性的时间切片。实验在四个真实数据集上表明，ATM-GAD 在七个强大的异常检测基线上 consistently 超越，发现了早期方法错过的欺诈模式。
引用
@article{arxiv.2508.20829,
title = {ATM-GAD: Adaptive Temporal Motif Graph Anomaly Detection for Financial Transaction Networks},
author = {Zeyue Zhang and Lin Song and Erkang Bao and Xiaoling Lv and Xinyue Wang},
journal= {arXiv preprint arXiv:2508.20829},
year = {2025}
}