增强图神经网络-based 欺诈检测器对伪装欺诈者（Camouflaged Fraudsters）的防御能力

近年来，图神经网络（Graph Neural Networks, GNNs）在欺诈检测任务中得到了广泛应用，其通过聚合节点的邻域信息并结合多种关系，揭示节点的可疑性。然而，以往的研究较少关注欺诈者所采取的伪装行为，这种行为可能在GNN的聚合过程中干扰检测性能。本文基于近期的实证研究，提出了两种类型的伪装机制：特征伪装（feature camouflage）和关系伪装（relation camouflage）。现有GNN模型未能有效应对这两种伪装，导致其在欺诈检测任务中表现不佳。为此，我们提出一种新型模型——抗伪装图神经网络（CAmouflage-REsistant GNN, CARE-GNN），通过三个独特模块增强GNN的聚合过程，以有效抵御伪装行为。具体而言，我们首先设计了一种标签感知的相似性度量方法，用于识别具有信息量的邻近节点；其次，引入强化学习（Reinforcement Learning, RL）机制，自动学习最优的邻域节点选择数量；最后，将来自不同关系类型的选定邻域节点进行统一聚合。在两个真实世界欺诈数据集上的大量实验表明，所提出的强化学习算法具有显著有效性。此外，CARE-GNN在性能上超越了当前最先进的GNN模型及基于GNN的欺诈检测方法。为促进研究共享，我们已将所有基于GNN的欺诈检测模型整合为一个开源工具箱：https://github.com/safe-graph/DGFraud。CARE-GNN的代码与数据集均已开源，地址为：https://github.com/YingtongDou/CARE-GNN。