超越稀疏监督：用于少样本图欺诈检测的扩散引导学习

《Neurocomputing》：Beyond sparse supervision: Diffusion-guided learning for few-shot graph fraud detection

　　基于图的欺诈检测对于保护大规模交易系统至关重要，因为未被发现的异常行为可能导致巨大的财务损失和安全风险。现实世界中的欺诈图谱带来了两大挑战：监督数据稀疏且不平衡，即经过验证的欺诈标签极为稀缺，且大多集中在良性账户上；此外还存在表示稀释问题，空间消息传递可能会过度平滑那些伪装起来的异常，而谱过滤则可能抑制与欺诈相关的中高频异常特征。为了解决这些问题，我们提出了ADC-GNN，即注意力引导的扩散对比图神经网络，这是一种统一的框架，结合了扩散引导的特征增强、对比学习以及多跳谱注意力机制，用于少样本图欺诈检测。其中的扩散组件被设计为特征空间的去噪增强机制，而非完整的拓扑生成型图扩散模型：它根据余弦调度生成带有噪声的节点特征视图，并利用对比学习来稳定不同扰动下的节点表示。谱注意力模块则能进一步自适应地突出与欺诈相关的跳层和关系层面特征。我们在三个公共基准测试上对ADC-GNN进行了评估，同时还以一个包含约60,000条记录的私有电信交易数据集作为案例研究。在1%的训练比例下，ADC-GNN在公共基准测试上的表现均优于现有的图欺诈检测方法以及四种基于相同协议的最新图异常/欺诈检测方法。进一步的分析还包括分割稳定性、训练比例、过采样方案、模块级消融实验、扩散调度以及运行时间和内存消耗方面的比较，这些都有助于明确ADC-GNN的最佳运行条件。我们的代码可在https://github.com/llmllmllm/ADC-GNN获取。

随着金融服务日益数字化，在线交易网络变得愈发复杂，这为复杂的大规模欺诈活动提供了可能。在这样的环境中准确识别欺诈账户对于维护系统完整性和金融安全至关重要[1]、[2]。图神经网络[3]、[4]、[5]、[6]、[7]，包括空间消息传递和谱过滤两种类型，都在建模关系依赖性和捕捉结构模式以进行欺诈检测方面展现出巨大潜力[8]、[9]、[10]、[11]，它们往往能通过利用关系信号而优于传统的基于特征的检测方法。(i) 空间图神经网络通过采样、剪枝或关系感知聚合等方式提升鲁棒性，但它们仍然依赖于容易受到恶意邻居构造影响的消息传递方式：欺诈者会故意与良性节点建立联系以掩盖自己的行为，从而导致局部聚合传播错误的上下文信息，掩盖罕见的异常信号。(ii) 谱图神经网络通过频域过滤来捕捉全局结构，但许多滤波器都偏向于低频平滑性；因此，那些通常与突然的行为偏差和结构不一致相关的异常中高频成分可能会被抑制，尤其是在监督数据匮乏且梯度主要由良性节点主导的情况下。(iii) 异构模型为多种类型的交互引入了特定于关系的建模方式，但在实际应用中，当不同类型的关系被合并到同一个表示中，或者当特定于关系的欺诈语义缺乏足够监督时，仍可能出现语义崩溃问题。然而，在现实世界的监督环境下还存在两个不足之处。(1) 监督环境不匹配：交易图提供的监督数据稀少且不可靠，存在严重的类别不平衡问题。标签获取成本高、延迟严重，而且有时还不确定，导致大多数节点都没有标签；与此同时，欺诈账户通常只占整体的一小部分。在这种环境下，基于梯度的训练会偏向于良性节点占多数的情况，而自我训练则可能放大多数节点的特征模式，导致异常嵌入向良性节点的特征靠拢。这种效应还会因欺诈者的刻意伪装而进一步加剧，他们通过创建不可靠的传播路径并在邻居信号中注入噪声来干扰检测。(2) 不同视角下异常表示的稀释：在监督数据较弱的情况下，现有方法难以在空间和谱两个视角下始终保留具有区分度的异常特征。空间聚合往往会过度平滑那些细微且长距离的异常模式，而谱平滑则会抑制与欺诈相关的高频异常特征。此外，不同类型的关系语义也没有以互补的空间-谱方式得到充分利用：当多种类型的交互被合并时，那些表明存在勾结的特定于关系的特征可能会被模糊为背景噪声，从而进一步降低学习到的嵌入空间中异常特征的区分度。正是这些不足促使我们需要一种能够(a)在无需额外标签的情况下丰富少数类监督数据，以及(b)在空间、谱和关系多个视角下保持异常特征区分度的框架。因此，我们提出了ADC-GNN，即注意力引导的扩散对比图神经网络，用于在监督数据稀少、类别不平衡且关系类型多样的图结构中进行欺诈检测。为避免过分强调扩散组件的作用，我们需要说明的是，ADC-GNN并不会通过学习到的逆过程对节点属性和边进行完整的图生成。相反，它采用扩散引导的特征空间增强技术：根据余弦调度对节点属性进行扰动，从而生成多个带噪声的视图，再通过对比学习来保持节点的独特性并稳定其在不同扰动下的表示。这种设计能够在无需额外手动标注的情况下实现可控的特征空间正则化，同时避免了在交易图中因实际业务约束而导致的无效边扰动。为了增强对结构的区分能力，我们还设计了一种具有关系感知能力的多跳谱注意力机制，该机制能够自适应地突出与欺诈相关的跳层和关系层面特征。如此得到的图-谱表示将局部拓扑结构、关系语义以及频域异常特征整合在统一的分类目标之下。我们在三个公共基准测试——Amazon[12]、YelpChi[13]和T-Finance[14]——以及一个包含约60,000条记录的私有电信交易数据集上对ADC-GNN进行了测试。这些公共数据集作为主要的可重复性验证依据，而私有CM数据集则作为案例研究使用，我们会公开其结构信息和总体统计结果。实验结果表明，在1%的训练比例下，ADC-GNN仍能持续取得优异性能。我们不仅使用了原有的图欺诈检测方法作为对比，还纳入了其他几种基于相同协议的最新图异常/欺诈检测方法，如CGAD、ARC、UniGAD和CGNN。那些官方协议中规定的训练比例、评估指标或预处理步骤存在冲突的方法虽然会在相关研究中提及，但不会被纳入主比较表中，以确保实验方案的完整性。此外，我们还通过额外的实验分析了不同的训练比例、基于过采样的基线方法、详细的模块级消融实验、扩散调度对比、分割稳定性分析以及运行时间和内存消耗情况，以便更准确地界定ADC-GNN的最佳运行条件及计算成本。我们的主要贡献如下：•我们将少样本图欺诈检测问题定义为一种监督数据稀少且表示易稀释的问题，并提出了ADC-GNN，这是一种结合了特征空间扰动、对比对齐以及关系感知谱注意力的注意力引导型扩散对比框架。•我们明确了扩散组件的功能，指出它实际上是用于特征空间的去噪增强，而非完整的图生成。该模块能够生成受控的带噪声节点特征视图，并结合对比学习来在监督数据匮乏且类别不平衡的情况下稳定那些对异常敏感的节点表示。•我们设计了一种具有关系感知能力的多跳谱注意力模块，该模块能够自适应地整合跳层和关系层面的特征，从而降低空间过度平滑、谱低通偏差以及异构语义崩溃的风险。•我们通过引入更多基于相同协议的最新基线方法、训练比例对比、过采样方案、详细的模块级消融实验、扩散调度分析、分割稳定性分析以及运行时间和内存消耗对比，进一步丰富了实证评估内容，使得对所提出框架的评估更加严谨且可重复。

基于空间的图神经网络
像GCN、GraphSAGE和GIN[3]、[4]、[8]这样的空间图神经网络，通过聚合邻居信息来捕捉局部的结构模式。在欺诈检测领域，包括CARE-GNN[15]、FRAUDRE[16]和PC-GNN[17]在内的方法，通过基于强化学习的阈值判断、特定于关系的边处理或平衡标签的采样方式来提升模型的鲁棒性。后续的研究如GTAN[18]、Dig-In-GNN[19]和ConsisGAD[20]则引入了时间建模和对比正则化技术，以提高在标签数据不足情况下的消息质量。

问题定义
在本节中，我们将正式定义多关系图的概念，并介绍基于图的欺诈检测问题。
图建模。设[Math Processing Error]为一个图，其中[Math Processing Error]是节点集（包含[Math Processing Error]个节点），[Math Processing Error]是将边集划分为[Math Processing Error]种关系类型，[Math Processing Error]是节点特征矩阵（每个节点[Math Processing Error]都有一个[Math Processing Error]维的特征向量[Math Processing Error]），而[Math Processing Error]则是标签向量，其中[Math Processing Error]表示欺诈节点，[Math Processing Error]则表示合法（良性）节点，这些元素共同构成了图的结构性和特征性信息。
关系邻接性。对于

方法论
我们提出的ADC-GNN（见图2）通过将特征空间扩散引导的增强技术与对比学习、关系感知的谱图神经网络核心结构相结合，有效解决了基于图的欺诈检测中标签稀缺和类别不平衡的问题[8]。如图2所示，该模型由三个相互关联的模块组成。(a) 图样本生成模块根据余弦调度在特征空间中生成带有噪声的节点特征视图。需要强调的是，该模块只是对节点属性进行扰动，而非创建新的图结构。

实验
在本节中，我们将在三个公共的欺诈检测基准测试上对ADC-GNN进行评估，同时以一个包含约60,000条记录的私有CM数据集作为实际应用场景的案例研究。公共数据集为我们提供了主要的可重复性验证依据，而CM数据集则用于展示该模型在真实电信风险控制场景中的适用性。为了使评估结果更具完整性，我们将所有的核心实验说明以及额外的分析内容都放在本节中，包括数据集的结构信息以及CM数据集的相关细节。

结论
本文提出了ADC-GNN，这是一种注意力引导的扩散对比图神经网络，专门用于在标签稀缺和类别不平衡的情况下进行少样本图欺诈检测。ADC-GNN通过结合特征空间扩散引导的增强技术、对比学习以及关系感知的多跳谱注意力机制，提升了节点表示对异常特征的敏感度。在三个公共基准测试上的实验结果充分证明了，即使在监督数据较为稀少的情况下，ADC-GNN也具备出色的检测性能。

CRediT作者贡献声明
刘 Liming：撰写——初稿。胡超：概念构思。卢明飞：验证。葛一伟：概念构思。李新乐：形式化分析。史赫远：形式化分析。

利益冲突声明
作者们声明自己没有已知的、可能影响本文研究成果的财务利益或个人关系。刘 Liming于2024年进入中国长沙的中南大学攻读硕士学位。他的研究兴趣包括图神经网络、图异常检测、欺诈检测、少样本学习以及机器学习领域。他曾参与过在监督数据稀少且类别不平衡条件下进行基于图的欺诈检测和表示学习的相关研究。

刘 Liming|胡超|卢明飞|葛一伟|李新乐|史赫远
中国长沙中南大学