异构图关系学习方法检测钱骡账户

Owais Ahmad 与 Anirudh Deodhar 在 arXiv 发表论文，提出将银行关系模式（行作为节点、外键作为边）读作异构图，直接对账户评分做钱骡检测，并用 HeteroGraphSAGE 消息传递结合多跳邻居与相对时间信息。 在 RBIH 五年零售银行数据集（4 亿笔交易、94,063 个标注账户，其中 2.6% 为确认钱骡）上，与使用相同标签、划分和时间截点的 RelGNN、XGBoost、LightGBM、CatBoost 比较。作者称其检测器在 0.5% 误报率下以 83% 精确率找回九成留出集钱骡，比最强树模型多发现 115 个钱骡；邻居信息限制在该账户被预标记时间点之前的记录，避免使用事后证据。以上为论文摘要中的作者声称，本站未核验全文。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。