《Sage Open》：Modeling Practice of Graph Neural Networks in Related Party Transaction Recognition and Financial Fraud Detection
编辑推荐：
关联方交易（Related Party Transactions, RPTs）中的财务欺诈检测仍然是金融机构面临的关键挑战，原因在于复杂的公司结构、混淆策略以及传统基于规则检测系统的局限性。传统方法难以捕获隐藏的关系模式和时间动态，导致欺诈未被发现和监管漏洞。
关联方交易（Related Party Transactions, RPTs）中的财务欺诈检测仍然是金融机构面临的关键挑战，原因在于复杂的公司结构、混淆策略以及传统基于规则检测系统的局限性。传统方法难以捕获隐藏的关系模式和时间动态，导致欺诈未被发现和监管漏洞。为此，研究人员提出一种用于关联方交易的异质时序图神经网络（Heterogeneous Temporal Graph Neural Network for Related Party Transactions, HTGNN-RPT），以改进RPT中欺诈的检测与识别。该模型分三个阶段运行：1）构建包含实体、交易和时间属性的异质财务图，以表示RPT网络；2）应用动态注意力机制捕获时间敏感的关系依赖性；3）采用异常检测方法标记可疑子图，同时确保可解释性以满足监管合规要求。实验验证表明，HTGNN-RPT优于现有模型，准确率提升8.3%，F1分数提升8.57%，交易量提升6.7%，边时间戳密度的AUC-ROC提升8.97%。它还在时间窗口和检测阈值上分别实现6.83%和7.40%的可解释性提升。此外，HTGNN-RPT在边数上超过RPT模型6.2%，在时间窗口大小上超过8.1%，展示了其在动态欺诈检测场景中的优越性。该研究通过可扩展的HTGNN-RPT模型推进了财务欺诈检测。
财务欺诈严重威胁金融市场的诚信与稳定，关联方交易（Related Party Transactions, RPTs）作为内部人侵占资源的隐蔽渠道，常被用于掩盖欺诈和操纵财务结果。随着企业财务结构日益复杂，传统规则系统与机器学习方法难以捕捉交易数据中隐藏的关系模式和时间动态，导致欺诈漏检与监管缺口。因此，研究人员提出用于关联方交易的异质时序图神经网络（HTGNN-RPT），将公司、高管、董事、股东等异质实体与交易关系建模为带时间戳的财务图，通过动态注意力机制、异常检测和可解释性分层，实现RPT欺诈的精准识别。实验表明，该模型在准确率、F1分数、AUC-ROC和可解释性等指标上全面优于基线模型，为金融机构、审计师和监管机构提供了可扩展、可操作的欺诈检测工具。
研究数据来源于Sky Solar Holdings向美国证券交易委员会（SEC）提交的公开Form 20-F文件，时间范围为2019年第一季度至2022年第四季度，包含14,328个实体和387,642条交易记录（涉及8种交易类型），其中标记欺诈案例1,247个（占0.32%）。模型首先构建异质财务图，将实体和交易关系与时戳编码为节点和边；其次，利用关系特定注意力系数α
ij(r)衡量节点j到i在关系r下的重要性，通过消息向量m
ij(r)进行多关系消息传递，并引入时间衰减函数动态加权边；然后，结合对比学习和异常检测识别可疑子图；最后，采用积分梯度等方法生成符合监管要求的可解释性归因分数。实验在NVIDIA Tesla V100 GPU环境下进行，与FraudGCN（Wang et al., 2024）、RPT+KG（Mao et al., 2022）和GAT-FL-DP（Xia & Saha, 2025）三种基线模型比较。
4.1 Benchmarking against baselines：选取FraudGCN、RPT+KG和GAT-FL-DP作为对比模型，使用准确率、F1分数、AUC-ROC、可解释性、精确率和召回率评估。HTGNN-RPT采用异质节点类型和丰富特征，相比传统及近期GNN方法能够更细致地表示实体。
4.2 Accuracy：在RPT边数从50增加到250时，HTGNN-RPT准确率达到0.945，FraudGCN为0.89，最大提升6.2%；时间窗口宽度从1.0增加到5.0时，HTGNN-RPT峰值准确率为0.935，最佳基线为0.865，提升8.1%。这表明多关系图注意力和RPT特定表示学习能够有效处理密集关系结构，时间敏感加权有助于跨时间跨度的欺诈检测。
4.3 F1-Score Comparison：随欺诈率从0.1升至0.5，HTGNN-RPT的F1分数最高达到0.91，FraudGCN约为0.84，相对提升8.3%；随实体类型数从2增至10，HTGNN-RPT仍保持0.91，而其他模型因关系建模过于简化而停滞或下降。这表明关系感知消息传递和欺诈模式特定时间编码增强了高类别不平衡下的检测能力，层次融合与双级注意力确保多类型图结构中的欺诈信号提取。
4.4 AUC-ROC Analysis：在交易量变化下，HTGNN-RPT较最佳基线提升6.70%；在边时间戳密度变化下，提升8.97%。这表明时间粒度对图结构的建模增强了时空鲁棒性，模型在高交易吞吐量和细粒度时间边动态下仍保持强判别能力。
4.5 Explainability Score：随着时间窗口增大，所有模型可解释性下降，但HTGNN-RPT始终保持最高；随着检测阈值提高，各模型可解释性均增强，HTGNN-RPT在0.7–0.9阈值区间优势明显。HTGNN-RPT在时间窗口和检测阈值上分别超越基线6.83%和7.40%。此外，在控制所有权百分比变化时，HTGNN-RPT平均精确率为0.838，较FraudGCN（0.78）高7.4%；在间接RPT数量变化时，其平均精确率为0.826，较FraudGCN（0.762）高8.4%。在距离上次RPT时间变化时，HTGNN-RPT平均召回率为0.87，较最佳基线高11.5%；在图深度变化时，平均召回率为0.86，较FraudGCN（0.77）高9个百分点。这表明时间衰减函数、多尺度图卷积和关系特定注意力有助于捕获时间敏感和多跳共谋欺诈。
4.6 Highlights of Research Findings：HTGNN-RPT将欺诈检测准确率提升8.3%，F1分数提升8.57%，边时间戳密度的AUC-ROC提升8.97%，可解释性在时间窗口和检测阈值上分别提升6.83%和7.40%，并在边数上超过RPT模型6.2%、在时间窗口大小上超过8.1%。
讨论部分指出，HTGNN-RPT不仅能提高欺诈检测准确性，还能为金融机构和监管者带来实际收益。通过建模多种实体、关系和基于时间的交易模式，模型可识别传统方法常忽略的循环资金流、重复贷款和隐藏所有权渠道等可疑行为。模型的可解释性有助于合规团队和审计师理解交易被标记的原因，从而改善监管报告和决策，并支持公司治理、内部控制与持续监督。讨论同时指出局限性：模型依赖完整、高质量的RPT披露数据，且研究仅基于单一披露来源（Sky Solar Holdings的Form 20-F），可能限制其在不同行业和法律体系中的泛化。未来研究方向包括基于流式图神经网络（GNN）的实时欺诈检测与增量更新，以及通过多司法管辖区图建模和监管嵌入识别跨境RPT欺诈。
结论部分翻译如下：HTGNN-RPT模型成功解决了传统基于规则系统的局限性，通过捕获金融交易中隐藏的关系模式和时间动态。异质图表示能够更准确地建模RPT中涉及的复杂公司结构和关系。动态注意力机制优先处理相关交易和关系，从而提高欺诈检测准确性。可解释性层在确保监管合规的同时，为金融分析师提供了可操作的见解。实验验证表明，该模型在多项指标上优于现有方法FraudGCN、RPT+KG和GAT-FL-DP，包括准确率提升8.3%、F1分数提升8.57%、交易量提升6.7%、边时间戳密度AUC-ROC提升8.97%、时间窗口可解释性提升6.83%以及检测阈值可解释性提升7.40%。HTGNN-RPT在RPT边数上超过基准6.2%，在时间窗口大小上超过8.1%，证明其在结构密集和动态欺诈场景中的优越性。HTGNN-RPT模型可被金融机构、审计师和监管者操作化，这阐明了其与实际RPT监控工作流的相关性，并将实证结果与风险管理、治理和合规协议联系起来。
