Page 72 - 《软件学报》2026年第4期

杨家震 等: 面向欺诈检测的风险感知动态聚合图联邦学习 1513

端训练机制与服务端聚合策略两个方面进行改进. 在客户端训练阶段, 通过在损失函数中引入正则项约束模型更
新方向来避免局部模型的发散 [14−16] 、预测图结构中缺失的邻居或链接来增强子图数据 [17,18] 以及采用多任务联合
训练 [19,20] 等方式增强本地模型的质量. 在服务端聚合方面, 经典的 FedAvg 方法 [11] 依据客户端的样本数量进行加
权聚合, 但在异构数据的现实场景中, 单纯依赖样本量的加权策略难以获得理想的模型性能, 因此提出了多种改进
的聚合策略. 服务端可维护一组独立的测试数据, 通过 Shapley 值 [21] 、留一法 [22] 等方式评估各客户端模型的测试
表现、利用客户端额外上传的梯度信息进行相似度计算 [23−25] 或根据图数据中的结构信息评估客户端的重要性 [26,27] ,
据此动态调整聚合权重.
然而, 现有方法大多聚焦于优化联邦学习的训练稳定性与聚合策略, 虽然在一定程度上缓解了由数据异构性
带来的影响, 但缺乏对欺诈风险分布特性的深入建模, 尤其是在面对极端类别失衡与异常模式多样化的场景下, 往
往难以有效识别潜在的高风险样本. 此外, 当前的图联邦欺诈检测相关研究 [28−31] 多基于小规模、结构单一或类别
相对均衡的数据集, 未能充分模拟真实跨机构欺诈检测环境的复杂性. 如图 1 所示, 在实际的欺诈检测场景中, 欺
诈样本仅占据极小比例, 且由于机构间数据隔离以及欺诈行为的刻意隐蔽等因素, 欺诈类别内部存在高度的拓扑
异质性 (如图 1 中的节点 1、2). 这种分布特性将导致现有联邦学习框架产生系统性认知偏差: 在全局模型聚合过
程中, 参数更新方向受控于数量庞大的正常样本构成的分布主体以及具备典型拓扑特征 (如高频交互行为) 的欺
诈样本, 而那些多样性较高但是数量稀少的非典型欺诈模式被边缘化, 显著削弱了模型在此类样本上的判别能力.

1
欺诈用户 A C

正常用户
2
正常交互
B D
欺诈交互

虚线表示
跨机构交互

图 1 基于图结构的欺诈检测场景示例

为解决上述问题, 本文提出了一种面向欺诈检测的风险感知动态聚合图联邦学习方法 FedRPDA. 该方法在训
练过程中引入多样性敏感适应机制, 旨在兼顾对典型欺诈模式的快速建模与对非典型欺诈模式的有效感知, 以更
具针对性的方式增强图联邦学习方法在高风险场景下的建模能力. 核心设计包括两项关键策略: 一是典型风险动
态聚合策略, 基于 PageRank 随机游走方法量化客户端本地图数据中欺诈节点的结构性风险强度, 计算其相对影响
指数作为贡献度, 并通过时间衰减函数动态调整聚合权重, 使模型在训练初期优先聚焦于高风险、代表性强的客
户端, 从而加速全局模型对典型欺诈样本的全局建模与泛化能力的提升; 二是多样化风险平均聚合策略, 在全局原
型引导的对比学习阶段, 结合基于变分扰动的欺诈样本特征增强机制平衡两类数据, 促进多样化欺诈节点缩小类
内方差的同时扩大与正常节点的类间距离, 引导模型构建更具判别性的表征空间, 从而提升其对结构多样、数量
稀少的非典型欺诈样本的识别能力. 通过这两种策略的协同作用, 可以有效提升模型在高度不平衡和复杂风险环
境中对多样化欺诈行为的检测能力.
综上所述, 本文的贡献主要包括以下 3 个方面.
(1) 提出了一种面向欺诈检测的风险感知动态聚合图联邦学习方法 FedRPDA, 在保护数据隐私的同时, 为跨
机构场景下复杂欺诈风险的检测提供了新的解决思路.
(2) 设计典型风险动态聚合与多样化风险平均聚合两种策略, 使模型在训练过程中既能快速建模典型欺诈行