TMR-GGNN：基于时间感知多关系引导图神经网络的信用卡欺诈检测

arXiv cs.LG 论文
credit-card-fraud fraud-detection graph-neural-network time-aware multi-relational class-imbalance contrastive-learning

摘要

提出TMR-GGNN，一种用于信用卡欺诈检测的时间感知多关系图神经网络，通过对比学习和焦点损失处理不平衡数据和不断演变的欺诈模式。

arXiv:2606.18444v1 公告类型：新 摘要：近年来，由于数据高度不平衡、欺诈模式不断演变以及交易实体间复杂的关联结构，信用卡欺诈检测面临重大挑战。为解决这些问题，本研究提出了一种名为时间感知多关系引导图神经网络（TMR GGNN）的新框架。具体而言，所提出的TMR GGNN通过建模客户、商户、设备和IP在时间窗口内的异构交互，扩展了编码器-解码器图神经网络（GNN）架构。随后，该TMR GGNN方法构建了动态的多关系图，并在编码器中融入了时间感知的关系注意力机制，以便根据时间邻近性和语义上下文自适应地权衡交易相关性。解码器则采用对比学习模块来区分真实交易模式与合成交易模式，同时提高模型对罕见欺诈案例的泛化能力。此外，为了有效管理严重的类别不平衡并强调判别性学习，引入了结合基于信息噪声对比估计（InfoNCE）的对比损失与焦点损失的复合损失函数。这种集成有助于改进欺诈识别，同时减少假阴性。
查看原文
查看缓存全文

缓存时间: 2026/06/18 05:42 

# TMR-GGNN：基于时间感知多关系引导图神经网络的信用卡欺诈检测
来源：https://arxiv.org/abs/2606.18444
查看 PDF (https://arxiv.org/pdf/2606.18444)

> 摘要：近年来，信用卡欺诈检测面临着高度不平衡数据、欺诈模式不断演变以及交易实体间复杂关系结构等重大挑战。为解决这些问题，本研究提出了一种名为时间感知多关系引导图神经网络（TMR-GGNN）的新框架。具体而言，所提出的 TMR-GGNN 通过建模客户、商户、设备和 IP 之间在时间窗口内的异构交互，扩展了编码器-解码器图神经网络（GNN）架构。随后，该 TMR-GGNN 方法构建了一个动态的多关系图，并在编码器中引入了一种时间感知关系注意力机制，以基于时间邻近性和语义上下文自适应地权衡交易相关性。进而，解码器采用对比学习模块来区分真实交易模式与合成交易模式，同时提升模型对罕见欺诈案例的泛化能力。此外，为有效应对严重的类别不平衡问题并强调判别学习，引入了一种结合基于信息噪声对比估计（InfoNCE）的对比损失与焦点损失（Focal Loss）的复合损失函数。该集成有助于提高欺诈识别能力，同时减少假阴性。

## 提交历史

来自：Navin Chhibber [查看邮箱 (https://arxiv.org/show-email/2e9f9051/2606.18444)] **\[v1\]** 2026年6月16日星期二 19:50:53 UTC (402 KB)

相似文章

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

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。

时间增强图注意力网络用于可供性分类

Hugging Face Daily Papers

EEG-tGAT是一种时间增强的图注意力网络，通过融合时间注意力和dropout机制来改进交互序列的可供性分类。该模型在GATv2基础上进行了增强，适用于时间维度语义不均匀的序列数据。

TERGAD: 面向图异常检测的结构感知文本增强表示

arXiv cs.CL

TERGAD是一种新颖的数据增强框架，利用大语言模型将节点级别的拓扑属性转化为语义描述，然后通过门控双分支自编码器将这些语义描述与原始节点属性融合，用于图异常检测，在六个数据集上取得了最先进的结果。