Evi-VN：用于基于 GNN 的欺诈检测的硬区域引导虚拟节点证据注入

在线平台包含越来越多的机器人、欺骗性评论者和模仿合法用户的诈骗帐户。这种伪装模糊了图邻域和行为属性，使得图神经网络（GNN）难以区分伪装良好的欺诈者和合法用户。在不同的 GNN 中，我们观察到共享硬区域上的重叠错误，这表明存在图拓扑和标准特征无法捕获的潜在欺诈证据。针对欺诈的 GNN 可以缓解特定的图形病理，但它们仍然有限地使用异构证据，例如结构化记录、文本、图像和音频；统一的多模态融合也可能会干扰图已经可靠处理的节点。我们建议 Evi-VN 来学习和纠正这些共享盲点，而不是构建另一个欺诈检测器。据我们所知，Evi-VN 是第一个使用特征隔离证据链来纠正 GNN 之间共享的硬区域的图欺诈检测框架。其证据链将行为、内容和背景跨结构化、 文本、视觉和声学来源，有助于揭露图形邻域可能错过的伪装。至关重要的是，Evi-VN 仅通过虚拟类节点选择性地将这些证据应用于可能的硬样本，从而保留了现有 GNN 的可靠预测和输入设计。即使在证据模型不完善的情况下，共享的硬区域也让 Evi-VN 增强了通用的、针对欺诈的和看不见的 GNN。机器人、虚假评论、退款证据和电信欺诈任务的实验验证了这些优势。