研究了基于个体点异常的传统社交媒体的异 常检测方法，提出了一种层次贝叶斯模型——组潜在异常检测（GLAD）模型，可以自动推断组并同时检测组异常。将GLAD进一步推广到其动态扩展d-GLAD，以识别潜在群体和检测异常。

Oct, 2014

本文讨论了如何检测大型在线网络中的可疑用户及其潜在的商业利用，提出了一种对抗性算法fBox，旨在捕捉目前基于谱分析方法检测不到的小规模袭击。该算法通过理论分析和实验验证具有高准确性和可扩展性，在Twitter上的实际数据上取得了良好的表现，可以用于检测持久存在的可疑账户。

Oct, 2014

本文探讨了社交网络链接欺诈检测中的多样性和特征，提供了强有效的基于熵的特征工程，对Twitter数据的地面真实性能表现达到了超过0.95的精确度和召回率。

Apr, 2017

本文介绍了基于社交网络的用户连接情况的早期检测假用户帐户的问题，以及引入了一种名为SybilEdge算法的解决方案，并展示了其对Facebook网络的高性能识别表现。

Apr, 2020

该论文提出了一种关系图卷积网络方法的框架，用于在超级应用的金融服务中预防欺诈行为；结果表明，当考虑超级应用的替代数据和高连通性中发现的交互时，采用利用这些交互的模型能够将增加价值转化为更好的决策和欺诈检测策略。

Jul, 2021

本文提出了一种使用组聚合技术和Transformer编码器的欺诈检测方法，解决了基于图的欺诈检测中节点分类的挑战，具有更好的性能。

Feb, 2023

利用多功能消息手机应用程序（MMMA）进行点击农场业务的崛起引诱网络犯罪分子犯下众包欺诈行为，从而给点击农场工人带来经济损失。本文提出了一种名为CMT的新型对比多视图学习方法，用于检测MMMA的异构时态图（HTG）上的众包欺诈行为。CMT以自监督方式捕捉HTG的异质性和动态性，并生成高质量的表示以进行众包欺诈检测。我们在代表性的MMMA WeChat的行业规模HTG上部署CMT进行众包欺诈检测，结果明显优于其他方法。CMT在大规模公共金融HTG上也表现出有希望的结果，表明它可应用于其他图形异常检测任务。

Aug, 2023

使用偏好连结的 k 类分类器算法 (PreAttacK) 来检测社交网络中的虚假账户，并对其行为进行详细分析，从而实现对新用户的虚假账户检测并获得可证明的性能保证。

Aug, 2023

使用图学习进行金融犯罪检测改善金融安全和效率，提出了一种基于联邦图学习的新型框架（2SFGL），实验证明与仅使用FedAvg的情况相比，将GCN与2SFGL集成应用于此任务可以在几个常见指标上提高17.6％-30.2％的性能，而将GraphSAGE与2SFGL集成应用可以提高6％-16.2％的性能，从而得出结论，我们提出的框架是一种稳健且简单易用的协议，可以与现有的基于图的欺诈检测方法简单集成。

Oct, 2023

本研究针对欺诈检测中不断变化的欺诈模式和标签数据匮乏的问题，提出了一种新颖的群体增强学习框架VecAug。该方法通过个性化群体信息增强目标用户的表示学习，显著提升了模型的检测性能，且可与现有欺诈检测模型无缝集成。

Aug, 2024