2 min read

图监督学习四环节

金融风控系统需要在交易网络中定位非法账户。账户作为节点,账户间资金流向作为有向边,交易频次、金额聚合等作为节点初始特征,网络记为 $\mathcal G=(\mathcal V,\mathcal E,\mathcal X)$。这类问题属于图异常检测(Graph Anomaly Detection, GAD)。三个数据集上的异常占比分别为 RealFT 0.056%、Elliptic 0.520%、AMSim 5.060%,异常节点只占很小一部分,识别结果直接服务于交易监控与风险拦截。

现有方法多将交易网络还原为图,使用图神经网络(Graph Neural Network, GNN)抓取拓扑异常。GNN 的邻域聚合默认相邻节点特征与标签相近,即同质性假设。真实交易网络中,异常账户与良性账户的连接相互混杂,高度交易节点在聚合过程中占据主导,少数异常节点的信号被多数良性邻居覆盖。经领域专家确认的非法账户数量有限,其余账户处于未标注状态,标注依赖审计领域人工核查,投入成本高。

本文提出 MINT(Mitigating structural inconsistency via attentive message passing),改动集中在表示学习与训练优化两个环节,构图与打分环节沿用主流设定。下文先按主流视角拆解四个环节,再标注 MINT 的介入位置。

一、所处理的问题

该研究处理的是交易网络异常账户识别在图结构与标签两端同时受限的问题。

结构层面,恶意账户伪造与良性账户的连接,交易大户作为高度节点参与大量邻域聚合,节点表示被高频良性连接平滑。标签层面,已确认非法账户构成小规模正样本集合 $\mathcal P$,其余账户归入未标注集合 $\mathcal U$,$\mathcal U$ 中同时包含良性账户与尚未发现的非法账户。

主流做法的卡点集中在两处。通用 GNN 沿用邻域平均式聚合,在异配连接和高度节点并存的网络中过平滑,异常信号被稀释。训练侧倾向将未标注账户直接当作严格负样本,使模型按"未标注即良性"的方向更新。

二、端到端链路四环节

主流视角下,用图完成监督学习的链路由构图、表示学习、打分、训练优化四个环节组成。前一环节的输出构成后一环节的输入,排序能力以 AUPRC 与 AUROC 衡量,阈值判定结果以 F1 衡量。

2.1 构图

输入为原始交易流水,输出为图 $\mathcal G=(\mathcal V,\mathcal E,\mathcal X)$。账户集 $\mathcal V$ 为节点集合,有向边集 $\mathcal E$ 中 $u\to v$ 表示账户 $u$ 向账户 $v$ 转出资金;特征矩阵 $\mathcal X \in \mathbb R^{|\mathcal V|\times d}$,初始特征 $x_v$ 由交易频次、金额聚合等汇总得到。

三个数据集的规模分别为:RealFT 1,800,106 个节点、4,435,890 条边;Elliptic 822,942 个节点、2,868,964 条边;AMSim 10,000 个节点、1,323,234 条边。本环节不单独设评价指标,边的方向、关系类型与初始特征的定义决定后续嵌入的可分性上限。

2.2 表示学习

输入为图与初始特征,输出为逐层更新后的节点嵌入。第 $l$ 层节点表示记为 $h_v^{(l)}$,消息传递从邻域收集消息并更新中心节点:

$$h_v^{(l+1)} = \sigma\Big(W \cdot \mathrm{Agg}{h_u^{(l)}: u \in \mathcal N(v)}\Big)$$

其中 $\mathcal N(v)$ 为节点 $v$ 的邻域,$\mathrm{Agg}$ 为聚合函数,$\sigma$ 为非线性激活。通用 GNN 在此环节按邻域平均或注意力加权汇总消息,最终得到第 $L$ 层嵌入 $h_v^{(L)}$。嵌入的可分性不单独打分,由下游排序指标间接体现。

2.3 打分

输入为节点嵌入 $h_v^{(L)}$,输出为账户的非法概率 $s_v$。嵌入经投影头映射后由 softmax 归一化:

$$s_v = \mathrm{softmax}(W_f h_v^{(L)})$$

打分环节的输出用于遍历阈值生成 ROC 曲线与精确率-召回率曲线,对应 AUROC、AUPRC 两个排序指标;固定阈值后得到类别判定,对应 F1。

2.4 训练优化

输入为打分结果与标注集合,输出为更新后的模型参数。标准监督设定下,已标注正样本与负样本按风险函数计算损失并反向更新。PU 设定下,正样本集合 $\mathcal P$ 与未标注集合 $\mathcal U$ 分开处理,按非法账户比例先验 $\pi$ 拆分风险项。本环节考察收敛稳定性与泛化表现。

2.5 指标定义

混淆矩阵中 $TP$ 为真正例,$FP$ 为假正例,$TN$ 为真负例,$FN$ 为假负例。

AUROC 为 ROC 曲线下面积,ROC 曲线以真正例率 $TPR$ 为纵轴、假正例率 $FPR$ 为横轴,遍历全部决策阈值:

$$TPR = \frac{TP}{TP+FN}, \quad FPR = \frac{FP}{FP+TN}$$

AUROC 等价于随机一个正样本得分高于随机一个负样本得分的概率:

$$\mathrm{AUROC} = \Pr\big(s(+) > s(-)\big)$$

AUPRC 为精确率-召回率曲线下面积:

$$Precision = \frac{TP}{TP+FP}, \quad Recall = \frac{TP}{TP+FN}$$

曲线沿召回率逐档取精确率并积分。正样本占比越低,该指标对漏判越敏感。F1 为精确率与召回率的调和平均,依赖选定的决策阈值:

$$F1 = \frac{2 \cdot Precision \cdot Recall}{Precision + Recall}$$

三、MINT 的介入位置与改动

MINT 未改动构图与打分环节,改动落在表示学习与训练优化两处,直接影响 AUPRC 与 AUROC,F1 随排序结果在阈值上变动。

3.1 表示学习:边权标定与差异感知聚合

边权标定分开处理入边与出边,方向记为 $r \in {in, out}$。局部交互频次(Local Interaction Frequency, LIF)度量源账户到目标账户的交易在其邻域交易中的占比:

$$LIF_{u,v}^{(r)} = \frac{c_{u,v}^{(r)}}{\sum_{m \in N_r(v)} c_{m,v}^{(r)}}$$

全局交易稀有度(Global Transaction Rarity, GTR)度量节点邻域规模在全图中的稀有程度:

$$GTR_v^{(r)} = \log\left(\frac{|\mathcal V|}{|N_r(v)|+1}\right)$$

标定后的边强度为两者乘积:

$$w_{u,v}^{(r)} = LIF_{u,v}^{(r)} \cdot GTR_v^{(r)}$$

聚合环节度量目标节点与邻域节点在第 $l$ 层的表示偏差:

$$d_{u,v}^{(l)} = \tanh(h_u^{(l)} - h_v^{(l)})$$

该偏差与标定边信号共同构成结构注意力系数,聚合时分开计算自视图、入邻域与出邻域,替代常规邻域特征抹平。边权与聚合方式决定嵌入可分性,对应 AUPRC、AUROC 的变化。

3.2 训练优化:PU 风险替换监督损失

未标注账户不再作为严格负样本。设 $r^+$ 为正风险项,$r^-$ 为负风险项,PU 风险写作:

$$\mathcal{L}{PU} = \frac{1}{|\mathcal P|}\sum{s \in \mathcal P} r^+(s_o) + \frac{1}{|\mathcal U|}\sum_{s \in \mathcal U} \left[\pi r^+(s_o) + (1-\pi) r^-(s_o)\right]$$

该目标在正样本极少时约束更新方向,避免未标注账户被误判为负例。F1 是阈值确定后的派生结果,随前两项指标变动。

参考文献

Wu, Y.-J., Yan, B.-C., & Chen, B. (2026). MINT: Mitigating structural inconsistency via attentive message passing for financial anomaly detection. arXiv preprint arXiv:2610.34950. https://arxiv.org/abs/2610.34950