SEFraud：基于图的自解释性欺诈检测框架通过解释性掩码学习

图基欺诈检测在现代行业场景中具有广泛应用，如垃圾评论和恶意账户检测。尽管已致力于设计合适的欺诈检测器，但其结果的可解释性往往被忽视。以往工作尝试使用基于后置的解释方法（如GNNExplainer）为特定实例生成解释，但后置解释无法促进模型预测，且这些方法的计算成本无法满足实际需求，限制了其在现实场景中的应用。为此，我们提出了SEFraud——一种新的图基自解释性欺诈检测框架，同时解决欺诈检测和结果可解释性问题。具体而言，SEFraud首先利用带有可学习特征掩码和边掩码的定制异构图转换网络，从具有信息丰富的异构类型交易中学习表达性表示。进而设计了新的三元组损失以增强掩码学习性能。在多个数据集上的实证结果表明，SEFraud在欺诈检测性能和预测结果可解释性方面均显示出显著优势。此外，SEFraud已部署并为中国最大的银行——工商银行（Industrial and Commercial Bank of China Limited, ICBC）提供可解释的欺诈检测服务。来自ICBC生产环境的数据表明，SEFraud能够提供准确的检测结果和与专家业务理解相符的全面解释，确认了其在大规模在线服务中的效率和适用性。