L2IR：揭示图 fraud 检测中的潜在意图
人工智能
2026-05-26 v1
摘要
图 fraud 检测长期依赖于图神经网络(GNNs)来传播和聚合跨关系数据。然而,实际应用中的一个关键障碍是,欺诈者经常通过与良好用户建立大量连接来伪装自己,导致欺诈信号在 neighborhood 聚合过程中被逐渐稀释,从而削弱检测可靠性。虽然近期研究尝试利用大语言模型(LLMs)为欺诈检测提供丰富的语义线索,但针对可疑连接背后意图的探索仍不充分。此外,标注欺诈样本稀缺,使得训练能在重度伪装下仍保持稳健的检测器难以实现。为此,我们提出L2IR,一个由LLM驱动的潜在意图揭示框架用于图 fraud 检测。通过从用户行为和可疑连接中揭示潜在意图,L2IR从原始行为痕迹中提取意图感知表示,并推理理解单个连接的真实目的,从而有效区分支持链接和误导链接。它进一步集成了自适应自蒸馊以增强稀缺监督下的鲁棒性。在两个以普遍伪装为特征的真实数据集上评估,表明L2IR超越了强大基准,可作为图神经网络检测器的即插即用增强模块,在AUPRC指标上提升最高可达8.27%。
关键词
引用
@article{arxiv.2605.26040,
title = {L2IR: Revealing Latent Intent in Graph Fraud Detection},
author = {Jinsheng Guo and Zhenhao Weng and Yibo Liu and Yan Qiao and Meng Li},
journal= {arXiv preprint arXiv:2605.26040},
year = {2026}
}
备注
12 pages, 6 figures