基于图的金融欺诈检测：校准风险评分与结构正则化

arXiv cs.LG 论文
financial-fraud graph-neural-network risk-scoring representation-learning structural-regularization anomaly-detection

摘要

本文提出了一种用于金融欺诈检测的图神经网络框架，该框架将交易记录和身份信息整合到节点属性中，采用多层消息传递机制，并利用加权监督和结构一致性正则化来改进风险评分和概率校准。在公共数据集上的实验表明，该方法优于现有方法。

arXiv:2605.12782v1 Announce Type: new 摘要：金融交易欺诈防范面临复杂关系结构、隐蔽行为模式以及动态变化的数据分布等挑战。仅依赖独立样本特征的判别模型不足以充分刻画交易网络中群体协作和链式转移的风险。本文提出一种面向金融交易欺诈防范的图神经网络表示学习与风险判别框架。该框架将交易记录和身份信息整合到节点属性中，并基于共享属性和交互一致性构建交易图，以显式建模交易间关系。在模型设计上，采用多层消息传递机制聚合邻域信息，学习包含结构上下文语义的节点嵌入表示，并通过轻量级风险判别头输出交易级欺诈概率和风险评分。引入加权监督目标以缓解类别不平衡带来的训练偏差，并结合结构一致性正则化约束，抑制噪声边对表示漂移的影响，从而提高风险表征的稳定性和可用性。在公开金融交易数据集上开展实验，与多种同方向方法进行比较，并在统一评估协议下进行全面评价。结果表明，所提方法在风险排序和概率校准质量上优于其他方法，验证了图结构建模与表示学习协作在金融交易欺诈防范中的有效性。
查看原文
查看缓存全文

缓存时间: 2026/05/14 06:18 

# 基于图的金融欺诈检测：结合校准风险评分与结构正则化
来源：https://arxiv.org/abs/2605.12782
查看 PDF (https://arxiv.org/pdf/2605.12782)

> **摘要：** 金融交易欺诈防范面临复杂关系结构、隐蔽行为模式及数据分布动态变化等挑战。仅依赖独立样本特征的判别模型不足以充分刻画交易网络中群体协作与链式转移的风险。本文提出一种面向金融交易欺诈防范的图神经网络表示学习与风险判别框架。该方法将交易记录与身份信息整合为节点属性，并基于共享属性与交互一致性构建交易图，以显式建模交易间关系。在模型设计上，采用多层消息传递机制聚合邻域信息，学习包含结构上下文语义的节点嵌入表示，并通过轻量级风险判别头输出交易级欺诈概率与风险评分。引入加权监督目标以缓解类别不平衡导致的训练偏差，同时结合结构一致性正则化约束，抑制噪声边对表示漂移的影响，从而提升风险表征的稳定性与可用性。在公开金融交易数据集上开展实验，与同方向多种方法对比，并在统一评估协议下进行全面评价。结果表明，所提方法在风险排序与概率校准质量上优于其他方法，验证了图结构建模与表示学习协作在金融交易欺诈防范中的有效性。

## 提交历史

来自：王宇涵 [查看邮箱](https://arxiv.org/show-email/b0453833/2605.12782) **[v1]** 2026年5月12日 星期二 21:52:24 UTC (1,086 KB)

相似文章

人工智能在欺诈性银行操作识别中的应用

arXiv cs.LG

本文研究了人工智能和机器学习算法在识别欺诈性银行交易中的应用，提出了预处理技术并比较了多种模型。人工神经网络和堆叠泛化方法取得了更高的AUC分数，最佳结果约为0.954。