مع استمرار نمو الخدمات المالية عبر الإنترنت، ارتفعت حالات الاحتيال بشكل ملحوظ. يسعى المحتالون باستمرار إلى ابتكار طرق جديدة ومبتكرة للتحايل على خوارزميات الكشف عن الاحتيال الموجودة. في السابق، كان الكشف عن الاحتيال يعتمد على الأساليب القائمة على القواعد، حيث كانت القواعد تُنشَأ يدويًا بناءً على خصائص بيانات المعاملات. ومع ذلك، أصبحت هذه التقنيات غير فعالة بسرعة بسبب اعتمادها على إنشاء القواعد يدويًا وعدم قدرتها على كشف الأنماط المعقدة في البيانات. اليوم، يستخدم جزء كبير من قطاع الخدمات المالية مجموعة متنوعة من خوارزميات التعلم الآلي مثل XGBoost وRandom Forest والشبكات العصبية لنمذجة بيانات المعاملات. رغم أن هذه التقنيات أثبتت فعاليتها أكثر من الأساليب القائمة على القواعد، إلا أنها لا تزال تفشل في التقاط التفاعلات بين المعاملات المختلفة وعلاقاتها المتبادلة. مؤخرًا، تم تبني تقنيات قائمة على الرسوم البيانية للكشف عن الاحتيال المالي، مستفيدة من طوبولوجيا الرسم البياني لتجميع معلومات الجوار لبيانات المعاملات باستخدام شبكات الأعصاب الرسومية (GNNs). رغم تحسنها عن الطرق السابقة، لا تزال هذه التقنيات تعاني من عدم مواكبة أساليب التمويه المتغيرة للمحتالين ومن فقدان المعلومات بسبب الإفراط في التسوية (over-smoothing). في هذا البحث، نقترح خوارزمية جديدة تعتمد على طريقة عينة الجوار الفعالة، وهي فعالة في الكشف عن التمويه وحفظ المعلومات الحاسمة من العقد غير المشابهة. بالإضافة إلى ذلك، نقدم هندسة شبكة أعصاب رسومية جديدة تستفيد من آليات الانتباه وتحفظ المعلومات الشمولية للجوار لمنع فقدان المعلومات. نختبر خوارزميتنا على بيانات مالية لنظهر أن طريقتنا تتفوق على الخوارزميات الرسومية الأكثر حداثة الأخرى.