摘要

图神经网络（Graph Neural Networks, GNNs）在欺诈检测任务中已取得显著成功。基于GNN的检测算法通过聚合节点邻域信息来学习节点嵌入表示。近期提出的抗伪装图神经网络（CAmouflage-REsistant GNN, CARE-GNN）通过有效应对关系伪装与特征伪装问题，在欺诈检测任务中达到了当前最优性能。然而，采用传统“跳数”（hop）定义的多层堆叠方式会导致模型性能迅速下降。由于单层CARE-GNN难以进一步提取信息以修正潜在错误，其性能高度依赖于唯一一层的表达能力，存在单层学习的局限性。为克服这一问题，本文提出一种多层架构，该架构与残差结构形成互补关系。我们进一步设计了一种改进算法——残差分层CARE-GNN（Residual Layered CARE-GNN, RLC-GNN）。该算法采用逐层渐进式学习机制，能够持续修正前层预测中的错误，从而提升整体检测能力。为评估所提方法的有效性，我们选取召回率（recall）、AUC值和F1分数三个关键指标进行综合评价。通过在真实数据集上的数值实验，我们在Yelp数据集上分别实现了最高达5.66%、7.72%和9.09%的召回率、AUC和F1分数提升；在Amazon数据集上，相应指标也分别提升了最高3.66%、4.27%和3.25%。实验结果表明，RLC-GNN在保持抗伪装能力的同时，显著提升了欺诈检测的准确性和鲁棒性。