具有不确定性感知能力的时空对比图神经网络，用于网络金融欺诈检测和风险管理

《Scientific Reports》：Uncertainty-aware spatio-temporal contrastive graph neural networks for cyber financial fraud detection and risk management

　　

摘要

金融欺诈检测需要筛选庞大的交易网络，而这些网络的特点包括不断变化的拓扑结构、极低的标签覆盖率以及不对称的误分类成本，这些因素使得传统的分类方法失效。我们提出了ST-CGNN（时空对比图神经网络），它将操作性筛查视为一个多任务学习问题，其中共享编码器由对比正则化器和证据分级头进行监督。具体来说，ST-CGNN结合了连续时间异构编码器、硬负样本对比正则化器以及证据输出头，从而能够从共同的主干网络中训练出结构表示和基于不确定性的优先级排序，而不是通过顺序的、模块化的流程来实现。在严格的时间限制下，通过对大规模公开和受控基准测试的评估，ST-CGNN的表现始终优于现有的GNN和事后校准方法。在DGraph-Fin基准测试中，所提出的证据分级评分将Precision@100提升到了0.884，并实现了0.034的校准ECE（错误率）。在Elliptic基准测试中，ST-CGNN与最佳竞争者（MTP-GAT）之间的差异仅体现在种子数据的方差上，且在统计上无法区分；其优势主要体现在那些异构性和突发性事件占主导的基准测试中。配对自举测试和选择性预测分析证实，这种共享编码器的设计显著提高了固定预算分析师审查的可靠性，为动态交易环境中的高风险管理提供了坚实的基础。