检测金融网络中的欺诈：基于半监督 GNN 的格兰格因果解释方法
统计金融
2025-07-04 v1 机器学习
机器学习
摘要
金融行业因欺诈活动每年造成数十亿美元的损失。因此，欺诈检测是一项至关重要且技术上具有挑战性的任务，需要仔细分析大量数据。虽然机器学习（ML）方法似乎是可行的解决方案，但成功应用并不容易，其主要挑战包括：（1）稀疏标记数据，使得训练此类方法具有挑战性（伴随固有的标记成本），以及（2）由于 ML 模型的不透明性，对被标记项目缺乏可解释性，这通常是商业监管所要求的。本文提出了 SAGE-FIN，一种基于半监督图神经网络（GNN）的方法，采用格兰格因果解释用于金融交互网络。SAGE-FIN 学习基于弱标记（或无标记）数据点标记欺诈项目。为遵守监管要求，标记的项目通过突出显示网络中相关项目的格兰格因果关系进行解释。我们在真实世界数据集 Bipartite Edge-And-Node Attributed financial network（Elliptic++）上经验性地验证了 SAGE-FIN 的有利性能，未对网络结构做出任何先验假设，即可为识别出的欺诈项目提供格兰格因果解释。
引用
@article{arxiv.2507.01980,
title = {Detecting Fraud in Financial Networks: A Semi-Supervised GNN Approach with Granger-Causal Explanations},
author = {Linh Nguyen and Marcel Boersma and Erman Acar},
journal= {arXiv preprint arXiv:2507.01980},
year = {2025}
}