从交易关系中识别欺诈：EXL 的图神经网络实战

📌 One-Sentence Summary

EXL 工程师解释了如何在固定告警预算下，用带时间约束的交易图提升欺诈识别，并处理采样、数据泄漏、可解释性和低延迟在线评分。

📝 Summary

Rai 和 Sharique 展示：同一笔交易的行级特征不变，一旦模型看见近期关联欺诈，风险分数就可能从 0.04 升到 0.91。由于分析师只能审阅得分最高的约 0.5% 至 1.5% 交易，他们强调固定告警率下的真正例命中率，而不是笼统的总体指标。团队在 XGBoost 基线上加入图表示，报告实体卡交易和线上交易两类组合约 27% 至 33% 的相对检测提升；年度欺诈挽回金额是预测值，并非已实现收益。工程部分介绍了在处理类别极不平衡时保留图连接的采样方法、按月隔离且考虑时间的图结构、GraphSAGE 风格的均值／最大值／标准差聚合、供分析师使用的边归因，以及缓存表示的在线服务路径。团队还说明，改用边预测而非为每笔交易保存节点表示，有助于降低存储和数据陈旧问题，同时维持毫秒级延迟。这是一份细致的一手系统报告，但转录没有提供底层数据、独立复现或全部财务假设。

💡 Main Points

图关系带来行特征没有的信号

交易本身的字段相同，关联商户、用户和近期欺诈信息却能改变风险判断。

在实际告警预算内评估

比较时固定告警率，检验是否有更多真实欺诈进入分析师有限的审阅队列。

服务设计决定模型能否发挥价值

避免时间泄漏的图构造、边归因和边级评分，同时解决审阅、延迟与存储问题。

💬 Key Quotes

信号从来不在这一行数据里，而在它的关联边里。

告警预算是固定的。

📊 Article Meta

AI Screening： 91

Featured： Yes

Source： AI Engineer

Author： AI Engineer

Category： 投资财经

Language： 英文

Read Time： 12 min

Word Count： 2816

Tags：

财经与经济 , 知识图谱 , 视频 , 欺诈识别 , 图神经网络

Play Full Video