基于图结构的金融欺诈检测：校准风险评分与结构正则化
机器学习
2026-05-14 v1
摘要
金融交易欺诈防治面临复杂关系结构、隐蔽行为模式和动态变化数据分布等挑战。仅依赖独立样本特征的判别模型难以充分刻画组团协作和链式转账在交易网络中的风险。本文提出一种基于图神经网络的金融交易欺诈检测框架。将交易记录和身份信息整合为节点属性，基于共享属性和交互一致性构建交易图，显式建模交易间的关系。在模型设计中，采用多层消息传递机制聚合邻域信息，学习包含结构上下文语义的节点嵌入表示，通过轻量级风险判别头输出交易级别的欺诈概率和风险评分。引入加权监督目标以缓解类别不平衡导致的训练偏差，并结合结构一致性正则化约束以抑制噪声边对表示漂移的影响，从而提高风险特征描述的稳定性和可用性。实验在公开的金融交易数据集上进行，比较各种方法并在统一评估协议下全面评估。结果表明，所提方法在风险排序和概率校准质量方面优于其他方法，验证了图结构建模和表示学习协同在金融交易欺诈防治中的有效性。
引用
@article{arxiv.2605.12782,
title = {Graph-Based Financial Fraud Detection with Calibrated Risk Scoring and Structural Regularization},
author = {Yunfei Nie and Jiawei Wang and Ruobing Yan and Yuhan Wang and Zouxiaowei Ma and Yilun Wu},
journal= {arXiv preprint arXiv:2605.12782},
year = {2026}
}