本文介绍了一种利用多视图网络结构、半监督学习和分层注意力机制的图神经网络，用于在支付宝用户中进行欺诈检测，并实现比现有方法更为准确的预测，并且提供了可解释的结果。

Feb, 2020

本文提出了一种名为CARE-GNN的新型Graph Neural Network模型对付欺诈检测中恶意节点使用的特征伪装和关系伪装，CARE-GNN包括三个模块，即标签感知型相似度衡量模块、强化学习模块和跨不同关系的选中邻居的聚合模块，实验表明，CARE-GNN优于现有的GNN模型和GNN-based欺诈检测器。

Aug, 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

本文提出了一个基于 Graph Neural Networks 的欺诈检测方法，通过解耦拓扑和属性视图，并采用注意力机制自适应融合两个视图的方法，以解决现实场景中欺诈者采用伪装行为的问题，并在真实世界欺诈检测数据集上实现了显著的结果优于现有基线。

Oct, 2022

本文提出了一种新的行为信息聚合网络（BIAN），它结合了用户的行为和其他用户特征，通过相邻边缘属性分布，即金融社交网络的用户行为，来聚合邻居，从而改善了现有图神经网络在金融欺诈检测方面的不足，实验结果表明，与现有的最先进模型相比，BIAN 在真实的大规模金融社交网络数据集 DGraph 上获得了 10.2% 的 AUROC 增益

Nov, 2022

本文提出了一种名为STA-GT的异构图神经网络，通过引入一种时间编码和转换器模块，来捕获时间依赖性、识别欺诈性交易和促进时空信息建模，具有改进的表现能力。在两个金融数据集上进行的实验证明了该方法在交易欺诈检测任务上的有效性。

Jul, 2023

本文提出了一种基于自适应采样和聚合的图神经网络(ASA-GNN)，通过邻居采样策略和邻居多样性度量，在交易数据中学习判别表示以提高欺诈检测的性能，实验结果表明该方法优于现有的其他方法。

Jul, 2023

欺诈检测在发现欺诈者通过欺骗其他用户，例如发布虚假评论或进行异常交易的行为上有着重要作用。我们采用图神经网络和动态关系注意力聚合机制来解决这个问题，并在真实基准数据集上展示了我们的方法DRAG优于其他最先进的欺诈检测方法。

Oct, 2023

本文探讨了利用时间图网络（TGN）进行金融异常检测的技术，通过实验证明 TGN 在捕捉金融网络中边的动态变化方面具有显著优势，表明 TGN 在适应现代金融系统动态复杂性方面具有潜力，从而成为检测金融欺诈的有效工具。

Mar, 2024

本文介绍了GNN-CL模型，它通过综合利用图神经网络、卷积神经网络和长短期记忆网络的优势，在金融欺诈检测领域取得了突破。该模型能够多方面分析复杂交易模式，提高检测准确性并增强对复杂欺诈行为的抵抗力。通过使用多层感知器来估计节点相似性，该模型能够有效过滤掉可能导致误报的邻域噪声。此外，采用了强化学习策略来动态调整分配给中心节点的权重，以进一步解决特征弱化的挑战。实验结果表明，与现有方法相比，GNN-CL具有卓越的性能。

Jul, 2024