摘要
基于图的欺诈检测面临诸多挑战，包括严重的类别不平衡问题、由于欺诈节点稀缺导致的连接不一致，以及欺诈节点伪装成正常节点而难以识别。现有研究通常采用过滤相似节点的方法，以强化图神经网络中的同质性假设。然而，为有效应对上述问题，关键在于区分并自适应地利用邻居节点的标签信息。为此，本文提出了一种标签探索型图神经网络（Label-Exploring Graph Neural Network, LEX-GNN），旨在通过主动利用已知节点标签信息来提升欺诈检测性能。其核心思想在于：消息传递与接收的方式应根据节点类型动态调整。具体而言，我们首先基于节点的原始或历史表示预测其标签；随后，各节点根据其被判定为欺诈的概率，发送经过差异化处理的消息；最后，目标节点在接收消息时，也会依据其预先预测的欺诈概率进行差异化的信息聚合。在多个真实世界基准数据集上的大量实验结果表明，LEX-GNN显著优于现有的最先进方法。代码已开源，地址为：https://github.com/wdhyun/LEX-GNN。