Evi-VN：面向基于 GNN 的欺诈检测的困难区域引导虚拟节点证据注入

arXiv:2610.11665v1 公告类型：新 摘要：在线平台中，模仿合法用户的机器人、虚假评论者和诈骗账户数量不断增加。这种伪装模糊了图邻域和行为属性，使图神经网络（GNN）难以区分伪装良好的欺诈者与合法用户。在多种 GNN 中，我们观察到它们在一个共同的困难区域存在重叠错误，这表明其中可能存在图拓扑和标准特征未能捕捉的潜在欺诈证据。面向欺诈的 GNN 可以缓解特定的图结构问题，但对结构化记录、文本、图像和音频等异构证据的利用仍然有限；统一的多模态融合还可能干扰那些已经能够被图模型可靠处理的节点。我们提出 Evi-VN，旨在学习并纠正这些共同盲点，而不是构建另一个欺诈检测器。据我们所知，Evi-VN 是首个利用特征隔离证据链来纠正 GNN 之间共享困难区域的图欺诈检测框架。其证据链连接了来自结构化、文本、视觉和声学来源的行为、内容与上下文信息，有助于揭示图邻域可能遗漏的伪装。关键在于，Evi-VN 通过虚拟类别节点，仅将这些证据选择性地应用于可能属于困难区域的样本，从而保留现有 GNN 的可靠预测和输入设计。共享的困难区域还使 Evi-VN 能够增强通用、面向欺诈以及未见过的 GNN，即使证据模型并不完美。在机器人、虚假评论、退款证据和电信欺诈任务上的实验验证了这些优势。