基于图神经网络与监督链接预测的金融交易欺诈检测方法

《IEEE Open Journal of the Computer Society》：Temporal and Relational Graph Neural Networks for Fraud Detection in Transaction Networks

　　

摘要：

信用卡和银行交易中的金融欺诈仍然是重大挑战，因为传统检测系统往往难以跟上不断变化的欺诈策略。本文通过将欺诈检测建模为交易网络中的监督链接预测任务来解决这一问题，其贡献定位为特定任务的融合——时间编码、边级属性、图消息传递和关系特定解码的整合，而非新的独立图神经网络算子。我们提出一个图神经网络（GNN）框架，集成了时间编码、边感知消息传递和关系特定解码器，使用加权二元交叉熵作为主要训练目标，并在消融研究中评估焦点损失作为替代的不平衡感知目标。在ULB信用卡欺诈数据集（ULB）和异构银行交易数据集上的大量实验表明，所提出的模型在评估的经典机器学习、同构图神经网络和异构图神经网络基线中取得了最佳性能。ULB数据集被建模为诱导的时间上下文图，因为原始实体标识符不可用，而银行交易数据集被建模为观测到的异构实体-关系图。在ULB上，模型达到F1为0.901，AUROC为0.990，AUPRC为0.901。在银行交易数据集上，达到F1为0.914，AUROC为0.992，AUPRC为0.966。跨数据集评估确认了强大的泛化能力，F1最高可达0.854（ULB → bank）和0.874（bank → ULB）。消融研究揭示时间编码、边属性和关系特定解码对性能均有显著贡献。此外，可扩展性分析显示在评估的边范围内，离线推理呈近似线性增长，表明在中等规模交易图上的计算可行性。总体而言...

展开更多