基于单类同质性的动态图重连用于欺诈检测

《Information Sciences》：Dynamic graph rewiring for fraud detection based on one-class homophily

　　摘要图上的欺诈检测因异质性和欺诈者的伪装行为而具有挑战性，欺诈节点通过融入正常模式来伪装自己。现有方法往往难以应对这些问题，导致节点表示次优，在无监督设置下区分伪装欺诈节点的效果有限。为解决这些问题，我们提出DGR-GNN，一种结合动态图重连与度数比较加权聚合（DCWAgg）的无监督框架，以细化节点表示并改进异常评分。通过迭代重连图以缓解异质性，并为结构上重要的邻居分配更大的聚合权重，DGR-GNN构建了更具判别力的表示空间。此外，通过在自适应重连图上最大化局部亲和度而不依赖标签信息，我们的方法有效区分伪装欺诈者，显著提升无监督设置下的检测性能。在真实数据集上的大量实验表明，与最先进方法相比，DGR-GNN在AUC-ROC上提升高达7.6%（平均提升3%），在AUC-PR上提升高达8.1%（平均提升2%），突显了其在解决异质性和提高欺诈检测准确性方面的有效性。

引言欺诈活动在社交网络和交易网络中均呈上升趋势。在这些场景中，欺诈者通常通过故意与合法节点建立大量连接或改变行为以模仿正常特征来伪装自己。例如，在社交媒体平台上，欺诈者像普通用户一样在热门网站上发布评论，与其进行广泛互动。他们还可能通过模仿常见评论模板和语气，或将高风险词汇替换为更微妙的表达来掩盖欺诈意图。

双重伪装欺诈活动给检测带来了相当大的挑战。具体而言，当使用基于图神经网络（GNN）的检测器（Gori et al., 2005）时，欺诈节点与正常节点之间的密集连接给图引入了高度异质性，严重损害了邻域聚合的效果（Zhu et al., 2021, Zhu et al., 2020）。因此，在表示学习过程中，正常和欺诈实体的特征嵌入变得难以区分，这削弱了将欺诈检测作为传统节点分类任务时的性能。

大多数现有的基于GNN的欺诈检测方法未能解决异质性问题，而是在同质性假设下构建其框架，即连接的节点更可能属于同一类别（Wang et al., 2019, Li et al., 2019）。最近，一些方法被引入以应对欺诈检测中的异质性，例如通过邻居过滤来减轻异质性连接的影响（Dou et al., 2020, Liu et al., 2021），以及利用标签信息作为监督信号在聚合前对节点进行分类（Shi et al., 2022, Wang et al., 2023, Duan et al., 2024）。然而，这些方法存在显著局限性，因为它们通常严重依赖标签信息，限制了其在标签节点稀疏甚至不可用的真实场景中的有效性。

图1展示了伪装欺诈的一个简单示例。在真实场景中，欺诈者故意与合法用户建立连接，制造异质性连接以融入正常交互拓扑（如图1中的F1和F2）。同时，他们倾向于模仿简单的正常特征，同时保持跨不同社区的交互（例如，欺诈者F1和F2同时与社区1和社区2相连）。然而，与真实用户不同，欺诈者未能建立一致的邻域结构。相比之下，正常节点通常表现出社区内交互，确保其行为与邻居的行为密切一致（例如，社区1和社区2内的所有良性用户仅在其各自社区内交互）。这一观察促使我们利用这种结构不一致性作为欺诈检测的关键信号。

我们采用局部节点亲和度（Qiao and Pang, 2023）作为异常度量，并将亲和度最大化作为学习目标（Qiao and Pang, 2023）。这源于以下观察：欺诈者往往比正常节点表现出更低的局部亲和度，因为其邻居通常具有更多样的特征。由于正常节点在图中的数量占优，最大化图的整体亲和度主要提升正常节点的局部亲和度。这一特性使模型能够在训练过程中不依赖标签信息而有效区分欺诈者。欺诈节点根据其与邻居的亲和度而非节点表示来识别，有效规避了特征伪装问题。为进一步解决图级伪装，我们提出动态图重连（DGR），一种新颖机制，通过基于属性或学习表示计算成对节点相似度来移除异质性边并引入同质性连接。该机制有效减轻了图中欺诈节点的关系伪装。

TAM（Qiao and Pang, 2023）揭示了单类同质性属性，并证明通过最大化节点的局部亲和度，可以在定制节点表示中增强局部亲和度的判别力。它还提出了一种图截断策略，在GNN训练前移除非同质性边，从而通过降低图异质性来强化消息传递。基于单类同质性属性的有效性，我们设计了一种更先进的预处理方法（即图重连）来重构图结构并提升GNN在欺诈检测中的性能。先前的研究采用图重连来优化下游任务的图结构，特别是减轻异质性（Guo et al., 2023, Jiang et al., 2024）。受此启发，我们引入一种创新的重连算法，并提出对消息传递机制的调整，即度数比较加权聚合（DCWAgg），以增强DGR的有效性，最终构建更稳健的基于GNN的欺诈检测器。

总之，我们的贡献如下：

（1）我们分析了基于图的欺诈检测中的双重伪装现象，其中欺诈者可能同时在特征空间和关系结构中进行伪装。我们进一步从图异质性的角度重新表述这一现象，为理解GNN下的欺诈检测提供了任务特定的视角。

（2）为应对这一挑战，我们提出DGR-GNN，一种基于图的欺诈检测框架，通过评估节点在定制表示空间中与邻居的亲和度来识别可疑节点，而非仅依赖节点嵌入。表示空间通过缓解异质性的动态图重连来细化，有助于减少关系伪装。为更好地利用重连后的拓扑结构，我们进一步引入度数比较加权聚合（DCWAgg），一种拓扑偏移感知的聚合机制，根据度数上下文自适应调节邻居贡献，从而补充重连阶段。

（3）我们在基准欺诈检测数据集上进行了大量实验，证明DGR-GNN在无监督设置下持续提升检测性能，验证了所提设计的有效性。

本文的其余部分结构如下：第2节回顾相关工作。第3节介绍关键符号并正式定义研究问题。第4节详细介绍我们提出的方法DGR-GNN，随后第5节给出实验结果和分析。最后，第6节以发现总结和未来方向结束全文。

章节片段

相关工作本节回顾与我们工作相关的先前研究，包括图上欺诈检测、基于GNN的异常检测、异质性和局部亲和度。

问题陈述在本节中，我们首先介绍图上欺诈检测方法的关键概念和符号，然后正式定义研究问题。我们在表1中给出全文使用的符号及其定义。

该问题的目标是学习一个异常评分函数??：??:??=(??,??,??)→?|??|，其中??、??、??分别表示图??的节点集、边集和属性矩阵。??为每个节点分配欺诈可能性分数。

方法论为有效检测异质性图中的欺诈者，我们提出DGR-GNN，其概念上可分为三个关键模块：图重连、度数比较加权聚合和迭代优化。图2给出了该框架的概览。

（1）图重连。原始节点属性用于计算相似度矩阵，作为图重连的基础。在每次重连步骤中，移除异质性边，并连接高度相似的节点。

数据集我们在三个真实数据集上进行实验，统计信息汇总于表2。

Amazon（Dou et al., 2020）是一个包含乐器类别下产品评论的图数据集。有三种关系类型。在本工作中，我们关注Amazon-UPU数据集，其中评论至少一个共同产品的用户相连，获得少于20%有用投票的用户被标记为欺诈。

YelpChi（Dou et al., 2020）数据集包含垃圾评论和合法评论。

结论在本工作中，我们提出了一种新颖的无监督学习框架DGR-GNN用于欺诈检测。通过结合动态图重连和度数比较加权聚合，DGR-GNN有效解决了基于GNN的欺诈检测中的异质性挑战。在三个真实数据集上的大量实验验证了其有效性，显示出优于七个最先进基线方法的性能。然而，DGR-GNN仍存在某些可改进的局限性。

CRediT作者贡献声明Wenzhen Yang：写作——原稿，方法学，概念化。Xi Xiong：写作——审阅与编辑，指导。Yuanyuan Li：指导。Yan Yu：验证。Chengzong Peng：指导。

利益冲突声明作者声明，他们之间没有已知的相互竞争的经济利益或个人关系，可能影响本报告所述的工作。

致谢本工作部分受国家自然科学基金资助（批准号：62272068）；四川省科技计划资助（批准号：2024NSFSC2043、2024NSFSC1744、2024NSFSC1185）。

Wenzhen Yang|Xi Xiong|Yuanyuan Li|Yan Yu|Chengzong Peng