Page 74 - 《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 1515

图任务, 其优化目标主要集中于缓解由数据异构性引发的训练不稳定问题. 受限于图数据本身的高度复杂性与多
样性, 现有方法在应对不同类型图任务时泛化能力有限, 尤其在欺诈检测任务中, 难以有效建模欺诈风险的分布特
征, 导致检测性能受限. 因此, 亟待设计一种更具针对性的联邦学习方法, 以更好地满足实际欺诈检测场景下的应
用需求.
1.3 面向欺诈检测的图联邦学习
不同地区与机构间的数据隔离与隐私保护限制了跨平台欺诈数据的共享, 使得能够有效处理跨平台复杂欺诈
关联关系的图联邦学习成为适合的解决方案. 文献 [28] 首次将图联邦学习应用于反洗钱交易检测, 提出了结合图
结构建模与联邦学习的协同平台. 2SFGL [29] 提出了一种两阶段的联邦图学习方法, 首先通过多方图的虚拟融合构
[30]
建增强图结构, 随后在虚拟图上进行模型训练与推理. FedGAT-DCNN 将图注意力网络与扩张卷积相结合, 提升
模型对新型欺诈模式的适应能力. PPSED [31] 结合客户端状态感知、梯度量化与 DDPG 策略优化, 实现了在数据异
构与隐私约束条件下对公共安全事件的高效检测. 目前, 基于图联邦学习的欺诈检测研究仍处于起步阶段, 现有方
法多基于小规模、结构相对简单的通用图数据集, 并采用理想化的数据划分策略进行实验验证, 尚未充分挖掘欺
诈场景的独特数据特性, 在处理跨平台复杂关联结构和高度异构数据方面能力有限, 难以全面应对真实环境中的
欺诈风险.
不同于已有研究, 本文在深入分析欺诈场景中数据特性的基础上, 提出了 FedRPDA 方法, 通过设计典型风险
动态聚合与多样化风险平均聚合策略, 在保护数据隐私的前提下精准建模不同类型的欺诈风险, 为复杂场景下的
跨机构欺诈检测提供了一种新颖而有效的解决方案. 此外, 在多个更贴近实际应用场景的大规模真实欺诈检测数
据集上进行系统实验, 进一步验证了所提方法的有效性与实际应用价值.
2 预备知识

在一个联邦图学习系统中, 假设存在 N 个客户端与中央服务器 S 进行通信协作, 每个客户端 n 拥有自身的图
,
数据 G n = (V n ,E n ,X n ,Y n ) n ∈ {1,2,...,N}, 其中 V n 、 E n 、 X n 和 Y n 分别表示图 G n 的节点集合、边集合、节点特征集
和节点真实标签集. 客户端的模型参数集合表示为 w = {w 1 ,w 2 ,...,w N }, 服务端阶段性地收集客户端上传的模型参
数, 通过聚合的方式来学习全局模型参数 w g .
出于数据隐私的原因, 在整个训练过程中, 各个客户端是相互独立的, 不可以访问到其他客户端的图数据. 对
于每个客户端, 定义其损失函数为 L n , 联邦图学习的全局优化目标可以表示为:

N ∑
|V n |
minL(w) = ∑ L n (w n ) (1)
w N |V n ′|
n=1 n ′ =1
其中, |V n | 表示第 n 个客户端图数据中的节点数量.
以 FedAvg [11] 为例, 在正式开始训练之前, FedAvg 初始化模型参数 w 并广播至所有客户端, 在第 个通信轮次
0
t
的训练过程中, 执行流程可以大致描述为以下步骤.
t
(1) 本地模型更新. 每个客户端 n 使用自身的图数据 G n 训练模型, 并更新局部模型参数 w t+1 ← w .
n n
(2) 参数上传. 客户端将更新后的局部模型参数 w t+1 上传至中央服务器 S .
n
( 3 ) 参 数 聚 合 . 服 务 端 收 集 客 户 端 上 传 的 模 型 参 数 , 通 过 加 权 聚 合 的 方 式 更 新 全 局 模 型 参 数 w t+1 ←
g
|V n | t+1
N ∑
w .
∑ N n
n=1 n ′ =1 |V n ′|
(4) 全局模型下发. 服务端将更新后的全局模型 w t+1 广播给所有的客户端, 客户端使用此参数更新自己的局部模型.
g
3 风险感知动态聚合图联邦学习方法
在本文中, 针对现有联邦图学习方法在优化权重感知中学习偏向性不足以及局部信息发散的问题, 提出一种
风险感知动态聚合的图联邦学习方法 FedRPDA, 以全面应对数据分布异构性与类别极端不平衡所带来的挑战, 总