充满信息却噪声丰富的财务图谱中的企业欺诈检测
机器学习
2025-06-02 v2 人工智能
风险管理
统计金融
摘要
企业欺诈检测旨在自动识别从虚假财务报表或非法内幕交易等不正当活动中获利的公司。以往基于学习的方法未能有效地整合公司网络中的丰富相互作用。为弥合这一差距，我们收集了中国18年的财务记录，构建了带有欺诈标签的三个图数据集。我们分析了财务图的特征，突出了两种显著问题：(1) 信息超载：非公司节点（带噪声）在公司节点之上占主导地位，阻碍了图卷积网络（GCN）中的消息传递过程；(2) 隐藏欺诈：收集的数据中存在大量可能未被检测到的违规行为。隐藏欺诈问题会引入训练数据集中的噪声标签，从而损害欺诈检测结果。为处理此类挑战，我们提出一种新颖的图基方法，即利用鲁棒两阶段学习的知识增强图卷积网络 ()，通过知识图嵌入来缓解信息超载，有效学习丰富的表征。该模型采用两阶段学习方法来增强对隐藏欺诈的鲁棒性。大量实验结果不仅确认了相互作用的重要性，还显示 在欺诈检测效果和鲁棒性方面优于众多强基准方法。
引用
@article{arxiv.2502.19305,
title = {Corporate Fraud Detection in Rich-yet-Noisy Financial Graph},
author = {Shiqi Wang and Zhibo Zhang and Libing Fang and Cam-Tu Nguyen and Wenzhong Li},
journal= {arXiv preprint arXiv:2502.19305},
year = {2025}
}