MM-TFDX：一种具备法规意识可解释性的多模态图神经网络框架，用于动态检测跨境税务欺诈行为

《Scientific Reports》：MM-TFDX: a multimodal graph neural network framework for dynamic cross-border tax fraud detection with regulation-aware explainability

　　

摘要

跨境税务欺诈利用司法管辖区的差异以及复杂的多实体结构，每年给各国政府造成数千亿美元的损失。现有的检测方法要么忽视了贸易网络中的关联关系，要么无法整合不同的数据源和时间动态信息。我们提出了MM-TFDX这一端到端的多模态图神经网络框架，旨在同时解决三个难题：不同类型数据的融合、连续时间下的图建模，以及基于领域知识的可解释性提升。该框架通过针对不同数据类型的子网络来处理表格形式的交易数据、文本形式的海关申报信息以及时间序列事件，再通过自适应门控机制和跨模态注意力机制在混合图结构中将这些数据整合在一起。连续时间记忆模块能够在不进行离散化处理的情况下捕捉精细的时间特征，而基于监管规则的解释生成器则能依据预定义的监管风险模板生成子图层面的解释。在两个跨境贸易数据集上的实验表明，MM-TFDX的F1分数分别为0.891和0.862，优于包括传统分类器、静态图神经网络和动态图模型在内的七种基准方法。消融分析结果显示，时间建模带来的提升最为显著，其次是多模态数据融合；此外，解释模块通过隐式的结构约束机制，同时提升了模型的可解释性和检测精度。