Graph Neural Networks (GNNs) haben sich bei der Lösung von Betrugsdetektionsaufgaben als äußerst erfolgreich erwiesen. GNN-basierte Detektionsalgorithmen erlernen Knoten-Embeddings durch Aggregation von Nachbarinformationen. Kürzlich wurde der Algorithmus CAmouflage-REsistant GNN (CARE-GNN) vorgestellt, der durch die Behandlung von Beziehungs- und Merkmalskamouflage state-of-the-art-Ergebnisse bei Betrugsdetektionsaufgaben erzielt. Allerdings führt die traditionelle Stapelung mehrerer Schichten gemäß der Hop-Definition zu einem raschen Leistungsabfall. Da der einlagige CARE-GNN nicht in der Lage ist, zusätzliche Informationen zu extrahieren, um potenzielle Fehler zu korrigieren, hängt die Leistung stark von dieser einzigen Schicht ab. Um den Nachteil des einlagigen Lernens zu vermeiden, betrachten wir in diesem Artikel eine mehrschichtige Architektur, die eine ergänzende Beziehung zur Residualstruktur eingehen kann. Wir schlagen einen verbesserten Algorithmus namens Residual Layered CARE-GNN (RLC-GNN) vor. Der neue Algorithmus lernt schichtweise progressiv und korrigiert Fehler kontinuierlich. Zur Bewertung des vorgeschlagenen Algorithmus wählen wir drei Metriken: Recall, AUC und F1-Score. Numerische Experimente werden durchgeführt. Auf dem Yelp-Datensatz erreichen wir bis zu 5,66 %, 7,72 % und 9,09 % Verbesserungen in Recall, AUC und F1-Score, jeweils. Zudem erzielen wir auf dem Amazon-Datensatz bis zu 3,66 %, 4,27 % und 3,25 % Verbesserungen in denselben drei Metriken.