La détection de fraude basée sur les graphes fait face à des défis majeurs, tels qu’un déséquilibre de classes sévère, des connexions incohérentes dues à la rareté des nœuds frauduleux, ainsi que le camouflage de ces nœuds, qui peuvent ressembler à des nœuds légitimes. Les études existantes adoptent souvent une approche consistant à filtrer des nœuds similaires afin de renforcer l’hypothèse d’homophilie des réseaux neuronaux graphiques. Toutefois, pour traiter efficacement ces problèmes, il est essentiel de distinguer et d’adapter de manière adaptative les étiquettes des nœuds voisins. Dans cette étude, nous proposons le Label-Exploring Graph Neural Network (LEX-GNN), conçu pour améliorer la détection de fraude en exploitant activement les informations d’étiquetage des nœuds. L’idée centrale repose sur le fait que le mode d’échange et de réception des messages doit varier selon le type de nœud. Plus précisément, nous prédisons d’abord les étiquettes des nœuds à partir de leurs représentations initiales ou précédentes. Ensuite, chaque nœud transmet des messages traités différemment en fonction de sa probabilité d’être frauduleux. Enfin, les nœuds cibles reçoivent également les messages de manière différente, selon leur probabilité prédite à l’avance. Des résultats expérimentaux étendus sur des benchmarks réels démontrent que LEX-GNN surpasser les états de l’art existants. Notre code est disponible à l’adresse suivante : https://github.com/wdhyun/LEX-GNN.