Graphbasierte Ansätze zur Betrugserkennung haben in letzter Zeit erhebliche Aufmerksamkeit erhalten, da graphenstrukturierte Daten reichhaltige relationale Informationen enthalten, die für die Erkennung von Betrügern von Vorteil sein können. Allerdings erzielen GNN-basierte Algorithmen oft schlechte Ergebnisse, wenn die Label-Verteilung der Knoten stark verzerrt ist – ein Phänomen, das in sensiblen Bereichen wie Finanzbetrug häufig auftritt. Um das Problem der Klassenungleichgewichts bei graphbasierten Betrugserkennung zu beheben, schlagen wir einen Pick and Choose Graph Neural Network (PC-GNN) für das unbalancierte überwachte Lernen auf Graphen vor. Zunächst werden Knoten und Kanten mit einem neu entwickelten label-balancierten Sampler ausgewählt, um Untergraphen für das Mini-Batch-Training zu konstruieren. Anschließend wählt ein vorgeschlagener Nachbarschaftssampler für jeden Knoten im Untergraphen geeignete Nachbarn aus. Schließlich werden Informationen aus den ausgewählten Nachbarn sowie aus unterschiedlichen Relationen aggregiert, um die endgültige Repräsentation des Zielknotens zu erhalten. Experimente auf sowohl Benchmark- als auch realen graphbasierten Betrugserkennungsaufgaben zeigen, dass PC-GNN die derzeit besten State-of-the-Art-Verfahren deutlich übertrifft.