Financial Risk Control
金融风险防控
研究信用卡欺诈、交易异常与黑产团伙等金融欺诈行为的检测方法。
研究概述
金融风险防控方向,聚焦于金融场景下如信用卡欺诈、交易异常、黑产团伙等欺诈行为的检测,构建涵盖图表示学习、时空建模等多种技术方向的方法体系。探讨如何融合实体属性、行为时序与关系拓扑等不同信号,实现更精准的反欺诈体系。为支撑可复现研究与社区共享,我们开源了统一的欺诈检测研究框架 Antifraud 与模拟半监督金融交易数据集 S-FFSD。2023 年以来,相关成果发表于 KDD、AAAI、IJCAI、WWW 等会议与 TKDE、TPAMI、TIFS 等期刊,研究对象涵盖信用卡与保险欺诈、反洗钱、幌骗与关联交易、信用风险与风险传染,以及反欺诈模型的鲁棒性。
论文成果

Grad 框架 WWW 2025
Grad: Guided Relation Diffusion Generation for Graph Augmentation in Graph Fraud Detection
组织化的欺诈者会模仿平台采集的行为数据,使关键特征与正常用户高度一致,论文称之为「自适应伪装」,这削弱了现有图欺诈检测模型的效果。Grad 以有监督图对比学习扩大欺诈与正常节点之间的差异,并用引导式关系扩散生成器从零生成辅助的同配关系,使微弱的欺诈信号在聚合过程中得到增强、更易被捕获。

HOGRL 模型框架 IJCAI 2024
Effective High-order Graph Representation Learning for Credit Card Fraud Detection
欺诈者常借助多个正常用户进行间接交易以掩盖关联,而图神经网络在深层聚合中的过平滑使模型难以学习这类多跳伪装交易的特征。HOGRL 先构建高阶交易图,直接学习各阶的纯净表示,以识别欺诈者的多跳间接交易;再引入混合专家注意力机制,自动确定不同阶表示的重要性并联合优化检测性能。论文在开源数据集与真实数据集上进行了验证。

GTAN 模型结构 AAAI 2023
Semi-supervised Credit Card Fraud Detection via Attribute-Driven Graph Representation
真实交易中只有很小比例带有标注,难以充分利用未标注数据中的特征。GTAN 以交易为节点、交易间交互为边构建时序交易图,通过门控时序注意力网络在节点间传递信息、学习交易表示,并借助交易间的风险传播刻画欺诈模式,是一种半监督图神经网络方法。论文在一个真实交易数据集与两个公开欺诈检测数据集上验证,半监督实验考察了仅有少量标注数据时的检测效果。
20267 篇
TPAMI 2026IEEE Transactions on Pattern Analysis and Machine Intelligence
Homophily Edge Augment Graph Neural Network for High-Class Homophily Variance Learning
TKDE 2026IEEE Transactions on Knowledge and Data Engineering
Defending Attacks on Anti-Fraud Model With Generative Graph Representations
20255 篇
TIFS 2025IEEE Transactions on Information Forensics and Security
Multi-Temporal Partitioned Graph Attention Networks for Financial Fraud Detection
TKDE 2025IEEE Transactions on Knowledge and Data Engineering
Mitigating the Tail Effect in Fraud Detection by Community Enhanced Multi-Relation Graph Neural Networks
TKDE 2025IEEE Transactions on Knowledge and Data Engineering
Enhancing Attribute-Driven Fraud Detection With Risk-Aware Graph Representation
20243 篇
TKDE 2024IEEE Transactions on Knowledge and Data Engineering
AdaRisk: Risk-Adaptive Deep Reinforcement Learning for Vulnerable Nodes Detection
20233 篇
TKDE 2023IEEE Transactions on Knowledge and Data Engineering
Anti-Money Laundering by Group-Aware Deep Graph Learning
评测结果
| 数据集 | GTAN | RGTAN | HOGRL | Grad | STAGN |
|---|---|---|---|---|---|
| YelpChi | 0.9241 | 0.9498 | 0.9808 | 0.9908 | — |
| Amazon | 0.9630 | 0.9750 | 0.9800 | 0.9789 | — |
| S-FFSD | 0.8286 | 0.8461 | — | — | 0.7659 |
空值表示该方法按仓库说明尚未在该数据集上按同一接口评测,F1 / AP 见原表。


















