Neue Dual-Path-Filtermodell revolutioniert Graph-basierte Betrugserkennung

Graphbasierte Betrugserkennung ist ein komplexes Problem, bei dem es darum geht, zwischen legitimen und betrügerischen Knoten zu unterscheiden. Graph Neural Networks (GNNs) eignen sich von Natur aus gut für die Verarbeitung von Graphdaten, doch typische Betrugsgraphen weisen Merkmale wie Verhaltensverdeckung, hohe Heterophilie und stark unausgewogene Klassenverteilungen auf, die die Leistung herkömmlicher GNNs stark beeinträchtigen.

Um diesen Herausforderungen zu begegnen, stellt der neue Ansatz DPF‑GFD (Dual‑Path Graph Filtering) ein zweipfadiges Filterverfahren vor. Zunächst wird ein beta‑Wavelet‑Operator auf den Originalgraphen angewendet, um zentrale Strukturmuster zu extrahieren. Anschließend wird aus distanzbasierten Knotendarstellungen ein Ähnlichkeitsgraph aufgebaut, der mit einem verbesserten Low‑Pass‑Filter geglättet wird. Die daraus resultierenden Embeddings aus beiden Graphen werden durch überwachte Repräsentations­lernen kombiniert, um robuste Knoteneigenschaften zu erzeugen.

Die gefilterten Knoteneigenschaften werden schließlich von einem Ensemble‑Baummodell genutzt, um das Betrugsrisiko unmarkierter Knoten zu bewerten. Im Gegensatz zu bisherigen Ein‑Graph‑Glättungsansätzen trennt DPF‑GFD explizit die Modellierung von strukturellen Anomalien von der Modellierung von Feature‑Ähnlichkeiten. Dieses duale Filterparadigma führt zu diskriminierteren und stabileren Knotendarstellungen, selbst bei stark heterophilen und unausgewogenen Betrugsgraphen.

Umfangreiche Experimente an vier realen Finanzbetrugsdatasets zeigen, dass DPF‑GFD die Genauigkeit und Robustheit der Betrugserkennung signifikant steigert und damit einen wichtigen Fortschritt im Bereich der graphbasierten Fraud‑Detection darstellt.