تواجه كشف الاحتيال القائم على الرسوم البيانية تحديات كبيرة، مثل التوازن غير المتساوٍ بين الفئات، والاتصالات غير المستقرة الناتجة عن ندرة العقد الاحتيالية، بالإضافة إلى خفاء هذه العقد التي تبدو شبيهة بالعقد العادية. غالبًا ما تتبنى الدراسات الحالية نهجًا يُقلل من تشابه العقد المجاورة لتعزيز افتراض التآزر (homophily) في الشبكات العصبية الرسومية. ومع ذلك، لمعالجة هذه المشكلات بشكل فعّال، من الضروري التمييز بين التصنيفات الخاصة بالعقد المجاورة واستخدامها بشكل تكيفي. في هذه الدراسة، نقترح نموذج الشبكة العصبية الرسومية المستكشفة للتصنيفات (LEX-GNN)، المصممة لتعزيز كشف الاحتيال من خلال الاستفادة النشطة من المعلومات التصنيفية للعقد. تكمن الفكرة الأساسية في أن طريقة تبادل الرسائل واستقبالها يجب أن تختلف حسب نوع العقدة. وبشكل محدد، نقوم أولًا بتوقع تصنيف العقد بناءً على تمثيلاتها الأصلية أو السابقة. ثم، تُرسل كل عقدة رسائل معالجة مختلفة وفقًا لاحتمال كونها احتيالية. وأخيرًا، تستقبل العقد المستهدفة هذه الرسائل بشكل مختلف حسب احتمالها المُقدّر مسبقًا. تُظهر النتائج التجريبية الواسعة على معايير واقعية أن LEX-GNN يتفوّق على النماذج الحالية الرائدة. يمكن الوصول إلى الكود الخاص بنا عبر الرابط: https://github.com/wdhyun/LEX-GNN.