基于双路径图滤波的图基欺诈检测
机器学习
2026-04-17 v1 人工智能
摘要
图数据上的欺诈检测是一个需要区分不同类型节点的艰巨任务。由于图神经网络（GNN）通过其消息传递操作天然适用于处理以图形式编码的信息，基于 GNN 的方法在欺诈检测领域越来越受到关注。然而，欺诈图本质上表现出关系隐蔽、高度异质性和类别不平衡，导致大多数 GNN 在欺诈检测任务中表现不佳。为了应对这些挑战，本文提出了一种基于双路径图滤波的图基欺诈检测模型（DPF-GFD）。DPF-GFD 首先对原始图应用基于贝叶小波的算子，以捕获关键结构模式。随后，从基于距离的节点表示构建相似图，并应用改进的低通滤波器。通过受监督表示学习融合原始图和相似图的嵌入，以获得节点特征，最终由集成树模型用于评估未标记节点的欺诈风险。与现有单图平滑方法不同，DPF-GFD 引入了针对欺诈检测的频率互补双路径滤波范式，显式地解耦了结构异常建模和特征相似性建模。这种设计使其在高度异质且不平衡的欺诈图中能够获得更具辨识度和稳定性的节点表示。在四个真实世界的金融欺诈检测数据集上进行的全面实验表明，我们所提出的方法有效。
引用
@article{arxiv.2604.14235,
title = {Graph-Based Fraud Detection with Dual-Path Graph Filtering},
author = {Wei He and Wensheng Gan and Philip S. Yu},
journal= {arXiv preprint arXiv:2604.14235},
year = {2026}
}
备注
Neural Networks