摘要
随着在线金融服务的不断普及，欺诈行为的发生率也相应激增。欺诈者不断寻找新的创新方法来规避现有的检测算法。传统上，欺诈检测依赖于基于规则的方法，这些规则是根据交易数据特征手动创建的。然而，由于这些技术依赖于手动规则创建且无法检测复杂的模式，它们很快变得无效。如今，金融服务业的很大一部分采用了各种机器学习算法，如XGBoost、随机森林和神经网络，来建模交易数据。尽管这些技术比基于规则的方法更为高效，但它们仍然无法捕捉不同交易之间的相互作用及其关联关系。最近，图论技术被用于金融欺诈检测中，通过图神经网络（Graph Neural Networks, GNNs）利用图拓扑结构聚合交易数据的邻域信息。尽管这些技术在性能上有所提升，但仍难以跟上欺诈者不断演变的伪装策略，并且由于过度平滑而遭受信息损失。本文提出了一种新颖的算法，该算法采用高效的邻域采样方法，能够有效检测伪装并保留非相似节点的关键特征信息。此外，我们还引入了一种新型的GNN架构，该架构利用注意力机制并保留整体邻域信息以防止信息丢失。我们在金融数据上测试了我们的算法，结果表明我们的方法优于其他最先进的图论算法。