Corporate Fraud Detection in Rich-yet-Noisy Financial Graph

作者: Shiqi Wang, Zhibo Zhang, Libing Fang, Cam-Tu Nguyen, Wenzhon Li

发布时间: 2025-02-27

来源: arxiv

研究方向: 公司欺诈检测

主要内容

本文研究了公司欺诈检测问题，针对信息过载和隐藏欺诈这两个主要挑战，提出了一种名为KeGCNR的知识增强GCN模型。该模型利用知识图嵌入来缓解信息过载问题，并采用鲁棒的两阶段学习来处理隐藏欺诈问题。

1. 构建了一个包含公司关系和欺诈标签的大型金融知识图谱。

2. 研究了隐藏欺诈和信息过载问题，并证明了它们对欺诈检测的影响。

3. 提出了KeGCNR模型，该模型在处理信息过载和隐藏欺诈方面优于现有的基于图的方法和标签噪声鲁棒方法。

1. 知识图嵌入（KGE）

2. 多路径加权图卷积网络（MW-GCN）

3. 层次注意力融合

4. 基于贝叶斯最优分布的鲁棒两阶段学习

实验结果表明，KeGCNR在所有三个数据集（MBM、SME、GEM）上均优于基线方法，特别是在MBM数据集上，该数据集具有最严重的隐藏欺诈问题。

未来需要进一步研究以改进公司欺诈检测的有效性，包括考虑类别不平衡的隐藏欺诈鲁棒解决方案，以及处理实例和邻居依赖性噪声的有效方法。