GraphFC：标签稀缺下的海关欺诈检测

全球各地的海关官员面临海量交易。随着连通性与全球化的增强，海关交易逐年增长。与海关交易相伴而生的是海关欺诈——即故意操纵货物申报以逃避税费。由于人力有限，海关只能对有限数量的申报进行人工查验。这亟需利用机器学习(ML)技术实现海关欺诈检测的自动化。由于用于标注新到申报的人工查验有限，ML方法应在标注数据稀缺条件下具备稳健性能。然而，当前的海关欺诈检测方法并未很好地适应并针对这一现实场景设计。本工作中，我们提出$\textbf{GraphFC}$(用于$\textbf{C}$ustoms $\textbf{F}$raud的$\textbf{Graph}$神经网络)，一种模型无关、领域特定的、基于半监督图神经网络的海关欺诈检测算法，具备强大的半监督与归纳能力。相较于当前最先进方法，召回率相对提升高达252%；在来自三个不同国家海关管理部门的真实海关数据上的大量实验表明，GraphFC以较大优势持续优于各类基线及现有最先进方法。