面向可解释欺诈检测的时间交易网络中 leakage safe 图特征
机器学习
2026-03-10 v1 密码学与安全
摘要
非法交易检测通常依赖交易级别属性，但欺诈行为也可能通过网络结构体现，如中心枢纽、高流中介者以及协调社区。本文提出一种时间尊重、leakage safe（因果）的时间交易网络图特征提取协议，并评估其对非法实体分类的实用性。使用 Elliptic 数据集，我们构建有向交易图并计算可解释的结构描述符，包括度统计、PageRank、HITS 枢纽或权威得分、k-core 指数以及社区可达性度量。为防止前瞻偏差，我们额外计算仅使用到每个时间步之前观察到的边的图特征的因果变体。以严格的时间分割训练的随机森林分类器在保留的未来测试期间实现优异的判别能力（ROC-AUC 约 0.85，平均精确率约 0.54）。虽然交易属性仍为主要预测信号，但图结构特征提供了补充的可解释性，并为调查工作流程提供风险情境分析。我们进一步使用 Precision at k 评估操作实用性，并通过校准曲线和 Brier 分数评估概率可靠性，结果表明校准后的模型为分流提供更精准的概率。总体而言，结果支持因果图特征提取作为面向时间序列欺诈检测管道的实用且可解释的增强。
关键词
引用
@article{arxiv.2603.06632,
title = {Leakage Safe Graph Features for Interpretable Fraud Detection in Temporal Transaction Networks},
author = {Hamideh Khaleghpour and Brett McKinney},
journal= {arXiv preprint arXiv:2603.06632},
year = {2026}
}
备注
7 pages, 7 figures. Submitted to arXiv as a preprint