基于双视图图表示学习的欺诈检测消息不平衡问题缓解

图表示学习因其强大的表达能力已成为欺诈检测的主流方法，侧重于通过改进邻域知识捕获来增强节点表示。然而，过度关注局部互动会导致全局拓扑信息的传输不平衡，由于欺诈节点与良性节点之间的不平衡，增加了节点特定信息在聚合过程中被压倒的风险。在本文中，我们首先总结了基于图神经网络的欺诈检测中拓扑结构和类别不平衡对下游任务的影响，因为消息在欺诈信息不平衡的问题是由欺诈者的拓扑行为掩饰和身份特征隐瞒所致。基于统计验证，我们提出了一种新颖的双视图图表示学习方法，以缓解欺诈检测中的消息不平衡（MimbFD）。具体而言，我们设计了拓扑消息可达性模块，用于高质量的节点表示学习，以穿透欺诈者的伪装并缓解传播不足。然后，我们引入局部混淆去偏模块以调整节点表示，增强节点表示与标签之间的稳定关联，以平衡不同类别的影响。最后，我们在三个公开的欺诈数据集上进行实验，结果表明MimbFD在欺诈检测中表现出色。