连接认知神经科学与图智能：受海马体启发的面向网络金融欺诈的多视图超图学习
机器学习
2026-02-05 v2 人工智能
摘要
在线金融服务构成了当代网络生态系统的重要组成部分，但其开放性使其面临巨大的欺诈风险，这不仅损害了弱势用户，也削弱了对数字金融的信任。此类威胁已成为一种严重的网络危害，侵蚀了社会公平并影响了在线社区的福祉。然而，基于图神经网络（GNN）的现有检测方法在两个持续存在的挑战中面临困难：（1）长尾数据分布，这掩盖了罕见但关键的欺诈案例；（2）欺诈伪装，即恶意交易模仿良性行为以逃避检测。为了填补这些空白，我们提出了 HIMVH，一种用于网络金融欺诈检测的受海马体启发的多视图超图学习模型。具体而言，受海马体场景冲突监测作用的启发，我们设计了一个跨视图不一致性感知模块，以捕捉多个交易视图之间的细微差异和行为异质性。该模块使模型能够识别细微的跨视图冲突，从而检测在线伪装的欺诈行为。此外，受 CA1 区的匹配-不匹配新颖性检测机制启发，我们引入了一个新颖性感知超图学习模块，该模块测量特征相对于邻域期望的偏差并自适应地重新加权消息，从而增强了对长尾设置下在线罕见欺诈模式的敏感性。在六个基于网络的金融欺诈数据集上的广泛实验表明，HIMVH 在 AUC 上平均提升了 6.42%，在 F1 上提升了 9.74%，在 AP 上提升了 39.14%，优于 15 个 SOTA 模型。
引用
@article{arxiv.2601.11073,
title = {Bridging Cognitive Neuroscience and Graph Intelligence: Hippocampus-Inspired Multi-View Hypergraph Learning for Web Finance Fraud},
author = {Rongkun Cui and Nana Zhang and Kun Zhu and Qi Zhang},
journal= {arXiv preprint arXiv:2601.11073},
year = {2026}
}