冲突藏隐于细节：面向欺诈检测的解耦信息图神经网络

基于图的欺诈检测迄今已受到相当关注。得益于图神经网络（GNNs）的巨大成功，许多采用 GNNs 进行欺诈检测的方法正日益兴起。然而，多数现有方法基于同配性的强归纳偏置，即上下文邻居往往具有相同的标签或相似的特征。在实际场景中，欺诈者常从事伪装行为以规避检测系统。因此，同配假设不再成立，即所谓的不一致问题。本文中，我们认为性能退化主要归因于拓扑与属性间的不一致。为解决该问题，我们提出将欺诈网络解耦为两个视图，分别对应于拓扑与属性。随后我们提出一种简单有效的方法，利用注意力机制自适应融合两个视图以捕获数据特定的偏好。此外，我们通过引入拓扑与属性的互信息约束进一步改进该方法。为此，我们提出解耦信息图神经网络（DIGNN）模型，其利用变分界为我们所提优化目标函数寻找近似解。大量实验表明，在真实世界欺诈检测数据集上，我们的模型可显著优于最先进的基线。