面向图基欺诈检测的自主链路思蒸馏
计算与语言
2026-02-02 v1 密码学与安全
摘要
图基欺诈检测在文本属性图（TAGs）上需要联合建模丰富的文本语义和关系依赖。然而，现有的 LLM 增强型 GNN 方法受限于预定义的提示和解耦的训练管道，限制了推理的自主性并削弱了语义-结构对齐。我们提出 FraudCoT，一个统一框架，通过自主、图感知的链路思（CoT）推理和可扩展的 LLM-GNN 联合训练来推进 TAG 基础的欺诈检测。为解决预定义提示的局限性，我们引入一种欺诈感知的选择性 CoT 蒸馏机制，生成多样化的推理路径并增强语义-结构理解。这些蒸馏的 CoTs 被集成到节点文本中，为 GNNs 提供丰富的多跳语义和结构线索以进行欺诈检测。此外，我们开发了一种高效的非对称联合训练策略，实现端到端优化，同时显著降低原始联合训练的计算成本。广泛的实验在公共和工业基准数据集上表明，FraudCoT 在检测性能和效率方面均显著优于最先进的方法，检测性能提升最高可达 8.8%，训练吞吐量提升最高可达 1,066 倍。
引用
@article{arxiv.2601.22949,
title = {Autonomous Chain-of-Thought Distillation for Graph-Based Fraud Detection},
author = {Yuan Li and Jun Hu and Bryan Hooi and Bingsheng He and Cheng Chen},
journal= {arXiv preprint arXiv:2601.22949},
year = {2026}
}