Page 80 - 《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 1521

4 实验分析

为验证所提出方法的有效性, 本节在多个真实欺诈场景下开展实验评估. 首先, 选取 3 个具有代表性的欺诈检
测数据集构成全局图, 并采用广泛使用的子图划分策略为各客户端分配局部图数据. 随后, 介绍对比的基线方法和
具体的实验设置. 在此之后, 我们将通过实验回答以下 3 个问题.
(1) 问题 1. 与现有先进的联邦学习方法相比, FedRPDA 是否能实现更优的检测性能?
(2) 问题 2. 在方法有效的前提下, 其性能提升从何而来?
(3) 问题 3. FedRPDA 相较于其他先进方法有什么明显优势?
4.1 实验数据
我们在 3 个典型的欺诈检测场景下选取了广泛使用的公开数据集, 表 1 提供了关于数据集的详细信息.

表 1 数据集详细信息

数据集 欺诈场景 节点数 边数 节点特征数 欺诈节点数 欺诈率 (%)
T-Finance 金融交易网络 39 357 21 222 543 10 1 804 4.58
T-Social 社交网络 5 781 065 73 105 508 10 174 280 3.01
Amazon 评论系统 11 944 4 398 392 25 821 6.87

T-Finance 数据集 [44] 主要用于金融交易网络中的异常用户检测. 该数据集包含了大量真实交易记录, 节点表示
匿名用户, 具有包括注册天数、交易行为和日志活动在内的 10 个维度的特征. 如果两个用户之间存在交易关系,
在图中添加边连接. 对于存在欺诈、洗钱和在线赌博行为的用户, 将其标记为异常.
T-Social 数据集 [44] 来自真实社交媒体平台, 用于检测虚假用户或异常行为, 与 T-Finance 数据集类似, 图中的
每个节点表示一个匿名用户, 当两个用户的好友关系持续超过 3 个月时在图中连接边. 该数据集是一个超大规模
的图, 具有 578 万个节点和 7 000 多万条边, 对于欺诈检测任务具有很大的挑战性.
Amazon 数据集 [45] 用于识别评论系统中的异常用户. 该数据集由亚马逊公司所提供, 包含乐器类别下的产品
评论信息. 其中每个节点表示一个用户, 若用户评论被判定为有用的比例低于 20%, 则标记为欺诈实体, 若高于
80%, 则视为正常用户. 此外, 该数据集还包含多种用户之间的关系类型, 包括评论同一商品的 U-P-U 边、在一周
内给出相同评分的 U-S-U 边以及评论相似度排名前 5% 的 U-V-U 边, 构成了一个具有多关系结构特征的异构用
户交互图.
基于上述 3 个数据集, 为模拟真实场景中不同机构间的数据隔离与结构异构性, 我们采用在图联邦学习领域
中广泛使用 [17,26,46] 的 Louvain 社区划分算法 [47] , 对每个数据集的全局图进行划分, 其中分辨率参数设置为 1.0 以控
制划分的粒度, 划分后删除跨子图连接边, 确保各客户端子图的结构独立性. 节点特征在建模前采用 Z-score 标准
化处理, 未进行边裁剪或特征降维操作, 以保持图结构与特征信息的完整性. 需要说明的是, 尽管各子图在规模与
结构上存在差异, 但其在欺诈风险行为的判定性上是一致的. 这是因为各数据集的欺诈标签均来源于统一的业务
规则与风险识别标准, 确保了正常节点与欺诈节点的定义在全局范围内保持一致.
4.2 基线方法
目前, 针对欺诈检测任务的图联邦学习研究仍处于起步阶段, 尚缺乏统一的评估标准和广泛认可的基线方法.
因此, 本文选取了在其他联邦学习场景以及通用图节点分类任务中表现优异的几种具有代表性的方法进行对比分
析, 以全面评估所提出方法的有效性与鲁棒性.
以经典的 FedAvg [11] 作为基线方法, FedProx [14] 、MOON [15] 和 FedProc [48] 分别通过引入不同的训练约束机制来
缓解由数据异构性引发的模型偏移问题, 并在计算机视觉等通用联邦学习任务中取得了良好表现. 此外, 基于
Shapley [21] 值的客户端贡献评估方法提供了一种公平且具解释性的聚合权重分配策略, 能够精确量化每个客户端
对全局模型性能的实际贡献, 从而优化联邦聚合效果. 在联邦图学习中, FedSage+ [17] 和 FGSSL [41] 则通过结合图结
构信息改进训练与聚合过程, 提升了模型在图数据处理中的表达能力与鲁棒性.