基于分层注意力的图神经网络改进欺诈检测

图神经网络（GNN）已成为欺诈检测任务的有力工具，其中通过不同关系聚合邻居信息来识别欺诈节点。为规避此类检测，狡猾的欺诈者借助连接到合法用户（即关系伪装）或提供看似合法的反馈（即特征伪装）来进行伪装。一种广泛采用的方案是根据原始节点特征利用邻居选择器来增强 GNN 聚合过程。当欺诈者不仅采用关系伪装、还采用特征伪装从而难以与其合法邻居区分时，该方法可能存在局限。本文提出一种用于欺诈检测的分层注意力图神经网络（HA-GNN），其结合跨不同关系的加权邻接矩阵以对抗伪装。这受关系密度理论启发，并用于构建分层注意力图神经网络。具体而言，我们设计关系注意力模块以反映两节点间的连接强度，同时设计邻域注意力模块以捕获与图相关的长程结构亲和性。我们通过聚合来自局部/长程结构及原始节点特征的信息来生成节点嵌入。在三个真实世界数据集上的实验证明了我们的模型相对于当前最优方法的的有效性。