基于多尺度自适应邻域感知 Transformer 的图中欺诈检测
机器学习
2026-03-04 v1 人工智能
摘要
图中欺诈检测 (GFD) 对识别图中欺诈行为至关重要，受益于金融网络和社交媒体等多个领域。 基于图神经网络 (GNN) 的现有方法因其对图结构数据具有有效的表达能力而取得了大量成功。然而，GNN 固有的归纳偏差，包括同质性假设和有限的全局建模能力，阻碍了这些模型的效果。为此，我们提出一种多尺度邻域感知 Transformer (MANDATE)，以缓解 GNN 的固有归纳偏差。具体而言，我们设计了多尺度位置编码策略，对中心节点各距离处的位置信息进行编码。将其与自注意力机制结合，可显著增强全局建模能力。同时，我们为 homophilic 和 heterophilic 连接设计不同的嵌入策略，以缓解恶意节点和欺诈节点之间的同质性分布差异。此外，我们设计了一种用于多关系图的嵌入融合策略，以缓解由不同关系导致的分布偏差。在三个欺诈检测数据集上的实验表明，MANDATE 的优势显而易见。
引用
@article{arxiv.2603.03106,
title = {Multi-Scale Adaptive Neighborhood Awareness Transformer For Graph Fraud Detection},
author = {Jiaqi Lv and Qingfeng Du and Yu Zhang and Yongqi Han and Sheng Li},
journal= {arXiv preprint arXiv:2603.03106},
year = {2026}
}