为什么GNN在欺诈检测中表现不佳？
本项目源于一项关于“可解释性欺诈检测GNN模型”的研究。研究人员基于著名的 IEEE-CIS 欺诈检测数据集构建了一个异构图（Heterogeneous Graph），节点包含设备、交易ID、交易金额等特征，并进行了特征工程。然而，在初步实现中，该图神经网络（GNN）模型的实际表现并未达到预期。 这一问题在风控领域具有典型性。对于欺诈检测这类高度不平衡的表格数据集，直接应用 GNN 面临诸多挑战：首先是构图瓶颈，如何合理定义节点和边（如交易与设备、IP的关联）直接决定了图的信息流效率；其次是基线对比，在表格数据上，传统的 XGBoost 或 LightGBM 往往比未调优的 GNN 表现更优；最后是类别不平衡，欺诈样本极少，GNN 容易产生过度平滑。该案例提醒开发者，在将图机器学习应用于风控时，图拓扑结构的设计比模型本身更为关键。