基于双路径图过滤的图神经网络欺诈检测新方法
图神经网络在欺诈检测中的挑战与突破
欺诈检测一直是金融科技和网络安全领域的核心难题。随着图数据的广泛应用，基于图神经网络（GNN）的欺诈检测方法因其能够有效处理节点间复杂关系而备受关注。然而，现实世界中的欺诈图数据往往存在关系伪装、高异质性和类别不平衡等固有特性，导致传统GNN模型在这些场景下表现不佳。
传统方法的局限性
大多数现有方法采用单一图平滑策略，难以同时捕捉结构异常和特征相似性。在欺诈图中，恶意节点常通过伪装与正常节点建立连接（关系伪装），同时节点间的连接模式高度异质（高异质性），加上欺诈样本远少于正常样本（类别不平衡），这些因素共同削弱了GNN的消息传递效果。
双路径图过滤（DPF-GFD）的创新设计
针对上述挑战，研究人员提出了基于双路径图过滤的图欺诈检测模型（DPF-GFD）。该模型的核心创新在于引入频率互补的双路径过滤范式：
第一路径：结构异常建模
对原始图应用基于β小波的算子，专门捕获关键的结构模式，有效识别异常连接。第二路径：特征相似性建模
从基于距离的节点表示构建相似图，并应用改进的低通滤波器，强化相似节点间的特征关联。
技术实现流程
- 双路径处理：原始图和相似图分别进行针对性过滤
- 特征融合：通过监督表示学习融合两路嵌入，获得更鲁棒的节点特征
- 风险评估：最终使用集成树模型对未标记节点进行欺诈风险评估
这种设计显式解耦了结构异常建模和特征相似性建模，使模型在高异质性和不平衡的欺诈图中能够学习到更具区分度和稳定性的节点表示。
实验验证与性能优势
在四个真实世界金融欺诈检测数据集上的综合实验表明，DPF-GFD方法显著优于现有单图平滑方法。其双路径架构能够：
- 更准确地识别伪装关系
- 更好地处理异质连接模式
- 有效缓解类别不平衡带来的偏差
行业意义与应用前景
这项研究为图神经网络在欺诈检测领域的应用提供了新思路。随着金融交易、社交网络和电商平台中图数据的爆炸式增长，能够处理复杂图特性的检测方法将具有重要实用价值。DPF-GFD的频率互补设计理念也可能启发其他图学习任务，如异常检测、推荐系统和网络安全。
未来，该方法有望在反洗钱、信用卡欺诈检测、保险欺诈识别等场景中落地，帮助机构在保持低误报率的同时提高欺诈检出率。同时，如何进一步优化计算效率、适应动态图环境，将是后续研究的重要方向。