10:08arXiv cs.AI@Liming Liu, Chao Hu, Mingfei Lu, Yiwei Ge, Xingle Li, Heyuan ShiADC-GNN是一个统一框架,结合扩散引导特征增强、对比表示学习和多跳谱注意力,用于少样本图欺诈检测。论文指出真实欺诈图存在稀疏不平衡监督和表示稀释问题。在三个公共基准和约6万条记录的私有电信数据集上,以1%训练设置评估,ADC-GNN持续优于原始欺诈基线及四种近期基线。额外分析验证了其稳定性、训练比例影响和模块效果。论文ADC-GNNGraph Fraud Detection图神经网络欺诈检测少样本学习推荐理由:这篇论文提出了ADC-GNN,在少样本场景下用扩散对比学习搞定图欺诈检测,三个公开基准上比现有方法都好,做风控的朋友可以看看原文
11:48arXiv cs.AI@Jinsheng Guo, Zhenhao Weng, Yibo Liu, Yan Qiao, Meng Li精选图欺诈检测中,欺诈者常通过与正常用户伪造大量连接来稀释欺诈信号,导致GNN检测失效。现有方法虽引入LLM提供语义线索,但未深入挖掘可疑连接背后的真实意图。L2IR框架通过LLM从用户行为和可疑连接中提取意图感知表示,区分支持性连接与误导性连接,并采用自适应自训练增强鲁棒性。在两个真实数据集上,L2IR将AUPRC提升高达8.27%,可作为GNN检测器的即插即用增强模块。论文图神经网络欺诈检测大语言模型意图推理自训练推荐理由:图欺诈检测从业者终于有了对抗伪装连接的新武器——L2IR用LLM拆穿欺诈意图,直接提升检测精度,做反欺诈系统的团队值得一试。原文
11:11arXiv cs.LG@Sudheer Tubati, Amit Goyal精选音乐流媒体欺诈(如人为刷播放量)对平台和创作者构成威胁,但传统检测方法难以区分合法边缘案例(如超级粉丝、睡眠音乐会话)与欺诈行为。研究者提出SAGE方法,结合SimHash分层采样与模块化门控集成,从无标签数据中可靠识别负样本。该方法通过可配置统计门(马氏距离和k-NN密度)实现精度-召回率自适应权衡,并解决正-无标签学习中的表示偏差问题。在客户级和艺术家级欺诈检测任务上均表现优异,无需修改核心方法即可跨领域泛化。论文欺诈检测负样本挖掘门控集成SimHash正-无标签学习推荐理由:SAGE解决了欺诈检测中难以区分合法异常与真实欺诈的痛点,做风控或流媒体反作弊的团队可以直接参考其门控集成思路,值得一试。原文