graph-fraud-detection-papers
safe-graph/graph-fraud-detection-papers加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
图1：safe-graph 组织头像
想象你是一个金融风控团队的技术负责人，每年要追踪全球顶级学术会议（KDD、NeurIPS、ICLR、AAAI 等）发表的图神经网络欺诈检测论文。这类论文分散在几十个会议、上百个年份、上千个 arXiv 预印本中——光是找全它们就要耗费数周精力。safe-graph/graph-fraud-detection-papers 正是为解决这一痛点而生：它由佐治亚理工学院（Georgia Tech）研究团队维护，收录了 2014 年以来图神经网络欺诈检测领域的全部重要论文，并按年份、技术方向、应用场景精心分类整理。
该项目由佐治亚理工学院博士研究生 Yingtong Dou（窦英通）主导创建，隶属于 safe-graph 学术组织。Yingtong Dou 师从著名图学习专家，研究方向聚焦于图神经网络在金融欺诈检测、异常检测等领域的应用。
2020 年图神经网络浪潮刚刚在学术界兴起，GCN、GAT、GraphSAGE 等模型横扫各大顶会背景下，Yingtong 发现欺诈检测领域的研究者面临严峻的信息过载问题：每年发表的相关论文超过百篇，散落在不同的会议和预印本平台，缺乏统一的梳理和归类。他决定创建这个 Awesome 列表，通过 GitHub 协作模式持续维护更新。
该项目仓库地址为 https://github.com/safe-graph/graph-fraud-detection-papers，目前已获得约 1849 颗 GitHub Stars，在图神经网络相关 Awesome 列表中排名前列。
这是一个纯静态论文索引库（Pure Static Paper Index），不包含可执行代码，用户通过浏览器直接阅读即可获得完整价值。项目将收录论文分为以下主要类别：
1. LLM and Transformer Papers（大型语言模型与Transformer论文）
随着 GPT 系列模型席卷 AI 领域，研究者开始探索 LLM 在欺诈检测中的应用。这一分类收录了 LLM/Transformer 驱动的欺诈检测研究，代表性工作包括：
这些论文反映了欺诈检测从传统图神经网络向 LLM 时代演进的清晰脉络。
2. Deep Learning Graph Papers（深度学习图论文）
按年份分组的深度学习图方法论文，是整个仓库的核心内容。涵盖 2026、2025、2024、2023、2022、2021、2020 及 2020 年之前等多个时间段，论文来源包括：
3. Non-Deep-Learning Graph Papers（2014年至今的非深度学习图论文）
收录传统图方法论文，包括基于 PageRank、标签传播、因子分解等经典方法的欺诈检测研究，为历史研究和对比基线提供参考。
4. Toolbox（工具库）
项目中提到的相关开源工具库，可作为实际研究的代码支撑：
5. Dataset（数据集）
收录了欺诈检测领域常用的基准数据集，包括：
6. Survey Paper（综述论文）
收录领域内权威综述，包括：
通过对仓库中 2021-2026 年论文的系统梳理，可以清晰看到图欺诈检测领域的技术演进轨迹：
第一阶段（2020-2022）：图神经网络奠基期
以 GCN、GAT、GraphSAGE 为代表的图神经网络全面渗透欺诈检测。核心问题是：如何在欺诈标签稀缺的情况下，利用图结构信息（用户之间的关系网络）识别恶意行为。典型方法通过同质性假设来推断未知节点的欺诈概率，即所谓「坏人周围也是坏人」的直觉。这一时期的工作奠定了图神经网络在欺诈检测领域的基线范式。
第二阶段（2023-2024）：对抗性学习与分布外检测
随着研究深入，同质性假设在真实场景中频频失效（欺诈者学会伪装，刻意与正常用户建立联系以规避检测）。这一阶段的研究重点转向：
第三阶段（2024-2026）：大模型时代的范式转变
LLM 的崛起深刻改变了欺诈检测的研究范式：
除了静态论文列表，该组织还维护了多个配套项目形成完整生态：
1. Paper Dashboard（交互式仪表盘）
图2：Awesome 徽章
部署于 safe-graph.github.io/paper_dashboard 的交互式仪表盘，提供可视化的论文浏览、筛选和搜索功能，用户可以在网页上按年份、会议、关键词等维度过滤论文，大幅提升检索效率。
2. Paper Chatbot（RAG 聊天机器人）
基于本地 RAG（检索增强生成）架构的 LLM 聊天机器人，集成了仓库中约 250 篇公开可访问的论文。用户可以向机器人提问，如「最近有哪些关于图异常检测分布外泛化的论文」，系统会检索相关论文后由 LLM 总结回答。项目地址：https://github.com/YingtongDou/paper_chatbot
3. Graph Adversarial Learning Literature（对抗学习文献库）
safe-graph 组织的另一姐妹项目，专门收录图对抗学习（Adversarial Graph Learning）方向的论文，与欺诈检测研究形成交叉呼应。
适合人群：
使用方式极为简单：直接访问 GitHub 仓库页面，通过浏览器 Ctrl+F 搜索关键词，或使用配套仪表盘进行高级筛选。无需安装任何软件，纯浏览器操作即可获得完整价值。
上手门槛：极低。论文以 Markdown 表格形式呈现，每个条目包含论文标题、发表会议/期刊、论文链接和代码仓库链接，格式规范清晰。
局限性：
使用建议：
行业意义：
safe-graph/graph-fraud-detection-papers 的价值远超一般的 Awesome 列表。它记录了图神经网络欺诈检测领域从兴起（2020）到爆发（2022-2024）再到与大模型融合（2025-2026）的完整技术演进史。对于整个 AI + 风控行业而言，这是一个兼具学术深度和产业价值的导航性资源库。
从行业趋势看，欺诈检测正经历三个重大转变：
从单点建模到图结构建模：传统方法只关注个体行为特征，而图方法通过关系网络捕获协同欺诈模式，识别出传统方法无法发现的「欺诈团伙」
从有监督到半监督/自监督：真实场景中欺诈标签极度稀缺，半监督和自监督学习成为主流范式
从专用模型到通用基础模型：2025-2026 年大量研究尝试构建图欺诈检测的基础模型（如 AnomalyGFM、TREASURE），追求跨场景、跨领域的通用检测能力
该项目及其配套生态（Dashboard、Chatbot、相关 Toolbox）共同构成了一个完整的研究工作流：发现论文 - 可视化检索 - 深度对话 - 工具实践。对于 AI 风控领域的从业者而言，这是不可多得一站式知识库。
项目速览
| 维度 | 信息 |
|---|---|
| GitHub Stars | ~1849 |
| 收录论文数 | 约 400+ 篇（持续增长） |
| 时间跨度 | 2014 年至今 |
| 主要会议 | KDD、NeurIPS、ICLR、AAAI、IJCAI、WWW 等 |
| 维护团队 | 佐治亚理工学院 safe-graph 团队 |
| 代码量 | 无（纯静态论文索引） |
| 配套工具 | Paper Dashboard、Paper Chatbot |
| 上手难度 | 极简（浏览器直接访问） |
| 适用对象 | 学术研究者、风控工程师、AI 从业者 |