CAMERA：无监督文本属性图欺诈检测中适应语义伪装
机器学习
2026-05-20 v1 多媒体
摘要
文本属性图欺诈检测（TAGFD）在防止在线社交和电子商务平台上的欺诈活动中起着关键作用。然而，为了逃避检测，欺诈者通过故意模仿良性用户的文本回复来不断演变其伪装策略，从而隐藏其恶意目的。这种现象被称为语义伪装，从根本上破坏了关于如何利用结构和属性线索来识别欺诈者的常用假设，并使无监督TAGFD难以发现欺诈者。为了弥补这些差距，我们提出了一个用于无监督TAGFD的案例自适应多线索专家框架（CAMERA）。CAMERA采用了一种自我解耦的混合专家架构，其中每个专家专门对一种不同类型的欺诈指示线索进行建模。引入了一个上下文感知的门控模型，以共同考虑自我节点表示及其局部邻域上下文，从而自适应地整合不同专家学到的线索。此外，CAMERA利用欺诈者固有的稀有性来支持无监督的单类学习，其专家级目标鼓励对主导的良性模式进行建模，从而能够可靠地无监督检测伪装的欺诈者。在4个具有挑战性的数据集上的实验表明，CAMERA始终优于竞争对手，显示了其对抗语义伪装欺诈者的有效性。代码可在https://github.com/CampanulaBells/CAMERA获取。
引用
@article{arxiv.2605.20032,
title = {CAMERA: Adapting to Semantic Camouflage in Unsupervised Text-Attributed Graph Fraud Detection},
author = {Junjun Pan and Yixin Liu and Yu Zheng and Lianhua Chi and Alan Wee-Chung Liew and Shirui Pan},
journal= {arXiv preprint arXiv:2605.20032},
year = {2026}
}
备注
Accepted by IJCAI 2026