Page 73 - 《软件学报》2026年第4期

1514 软件学报 2026 年第 37 卷第 4 期

为, 又能兼顾对结构复杂、样本稀少的非典型欺诈行为的敏感性.
(3) 在多个真实欺诈场景下的图数据集上进行了大量实验验证, 结果表明所提出的 FedRPDA 方法在收敛效率、
检测效果等方面均优于现有先进方法, 展现了其在实际应用中的有效性与广泛适用性.
本文第 1 节介绍图欺诈检测、联邦学习以及面向欺诈检测的图联邦学习的研究进展. 第 2 节给出图联邦学习
的基本概念与相关定义. 第 3 节详细描述本文提出的风险感知动态聚合图联邦学习方法 FedRPDA. 第 4 节通过一
系列实验验证所提出的 FedRPDA 在多种欺诈场景下的有效性与鲁棒性. 最后在第 5 节对全文进行总结归纳.

1 相关工作

1.1 图欺诈检测
在图欺诈检测领域, 近年来的研究主要集中在使用图神经网络来识别异常行为. GNN 通过消息传递机制实现
节点之间的特征聚合和表示更新, 能够有效捕捉节点的属性信息和结构关联性, 实现对异常节点的识别. 现有的研
究主要通过优化模型架构来增强模型的表示能力, 以及应对数据不平衡所带来的问题. 在优化模型架构方面,
GUCNH [32] 提出了一种融合门控机制的图卷积网络模块, 通过门控单元选择和组合模型在图卷积前后的特征, 从而
得到更可靠的节点表示. GCCAD [33] 利用图对比学习编码器, 通过无监督学习捕捉图结构特征进行异常检测, 取得
了良好效果. GADAM [34] 使用基于多层感知机的无冲突方式获取局部异常分数, 并采用基于混合注意力的自适应
消息传递机制, 使节点能够选择性吸收周围正常或异常信号, 增强异常检测效果. 在处理数据不平衡问题方面,
CAMD [35] 提出了一种融合类别感知机制的不一致图神经网络框架, 结合半监督与自监督图对比学习方法, 有效提
升了在数据不一致、类别不平衡与标签稀缺条件下的恶意节点检测性能. GDN [36] 通过对异常节点和正常节点采
取不同策略并约束关键异常特征, 显著缓解了图异常检测中的结构分布偏移. 尽管上述方法在图欺诈检测中取得
了积极进展, 但大多聚焦于单一机构内部的图结构建模, 忽视了跨机构欺诈中多个机构间的交互. 例如, 金融欺诈
团伙可能利用多个账户在不同机构间进行资金转移以掩盖其非法活动, 仅依赖局部图信息难以全面有效地处理这
一问题.
1.2 联邦学习
联邦学习作为一种分布式机器学习范式允许多个客户端协作训练模型, 同时保证数据隐私. McMahan 等人 [11]
首次提出了联邦学习的概念及其应用场景, 并提出了 FedAvg 算法, 之后的研究都在此基础之上去解决联邦学习
所面临的不同挑战. 现有的工作主要从两个角度开展研究: 一个是稳定本地的训练过程, 二是优化模型聚合策略.
为了应对客户端数据的非独立同分布问题, 研究者们提出了多种方法来稳定本地训练过程, FedProx [14] 通过引入与
全局模型距离相关的正则化项来限制本地模型参数, MOON [15] 从表征的角度利用模型级别的对比学习来减少全局
模型表示和本地模型表示的差异, FedProto [37] 是第 1 个在异构联邦学习中使用原型聚合知识的框架, 通过使本地
原型和全局标准保持一致来规范本地训练. 在模型聚合方面, Shapley 值 [38] 被认为是一个公平有效地衡量不同客户
O(N!) 的计算时间复杂度, 不适用于联邦学习的
端模型在联邦学习任务中贡献的方法, 但其计算成本过高, 达到了
实际应用, 尽管一些方法 [21,39] 对其进行了优化, 但仍然需耗费大量时间, 而且该方法要求在服务端维护一个辅助测
试集, 这在现实场景中往往不切实际.
图联邦学习作为联邦学习的一个特殊分支, 将其理念扩展到图结构数据上, 实现在保护隐私的同时联合多个
机构中的图数据进行联合训练. 相比于传统的联邦学习, 它还需额外应对图数据的异构性和复杂性. FedSage+ [17] 设
计了一个缺失邻居生成器, 用于处理局部子图之间可能缺失的边, 将受损子图修正为较为完整的子图, 实现本地图
数据增强. FedGTA [40] 利用图的拓扑结构和节点属性进行编码, 计算局部平滑置信度和邻居特征的混合矩衡量子图
分布, 该方法仅聚合相似数据分布的客户端, 并赋予平滑图训练的模型更高权重. FGSSL [41] 关注节点级语义和图级
结构, 设计对比损失函数来处理客户端的局部失真问题, 对齐同类节点的局部和全局表示并拉远不同类别节点的
距离, 以增强模型对节点的区分能力. FedGL [42] 将预测结果和节点嵌入上传到服务器, 以导出全局伪标签和全局伪
图, 利用这些全局知识缓解不同客户端的异构性. 然而, 现有图联邦学习方法主要面向节点分类、链接预测等通用