Page 82 - 《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 1523

异构性较低, 使得模型能够有效学习到欺诈节点的特征. 然而, 在欺诈节点比例最小且图结构最复杂的 T-Social 数
据集上, 除 Shapley 方法外大多数现有方法性能提升有限, 这表明现有方法在面对高度不平衡的复杂图结构数据
时适应性存在局限. 而 Shapley 方法在模型性能上所带来的提升是以牺牲时间效率为代价换来的, 其高达 O(N!) 的
算法复杂度和对服务端设置辅助测试集的需求, 在一些实际的联邦学习场景中难以应用. 相比之下, 本文所提出的
方法在各个场景下的数据集都表现出优异的性能, 尤其是在对欺诈节点的正确识别中, 展现出了强大的能力.

表 2 FedRPDA 与基准方法性能比较 (%)

T-Finance T-Social Amazon
方法
F1-macro Recall AUC AP F1-macro Recall AUC AP F1-macro Recall AUC AP
FedAvg 66.53 60.63 94.37 78.27 61.69 72.05 94.16 64.19 92.05 89.70 97.20 87.67
FedProx 72.45 65.28 94.56 79.32 62.13 73.85 94.27 66.59 91.30 90.67 96.85 88.69
MOON 74.94 67.43 94.24 79.25 62.39 76.06 94.36 67.54 91.90 90.81 97.46 89.25
FedProc 70.57 64.21 94.17 78.16 61.03 72.16 93.02 61.89 91.18 90.38 96.16 89.16
Shapley 78.72 71.04 94.61 79.38 64.21 84.38 94.81 71.32 92.29 91.87 97.32 89.72
FedSage+ 68.66 62.22 94.10 78.29 62.54 72.71 94.31 64.72 92.13 90.45 97.14 88.22
FGSSL 57.66 54.79 93.81 76.71 49.23 53.29 91.14 43.80 90.82 88.43 96.03 87.17
FedRPDA 86.79 81.25 95.58 81.60 68.41 88.14 95.11 74.05 92.47 92.26 97.54 90.08
提升 +8.07 +10.21 +0.97 +2.22 +4.20 +3.76 +0.30 +2.73 +0.18 +0.39 +0.08 +0.36
注: 加粗表示最优结果,下划线表示次优结果

(2) FedRPDA 在 F1-macro 和 Recall 指标上得到了显著提升, 这主要得益于风险感知动态聚合策略的特性. 该
策略通过聚焦结构性风险较高的客户端, 促使模型在训练初期优先学习典型欺诈样本的共性特征, 并将其转化为
全局知识, 引导模型更有效地识别稀有欺诈样本. 同时, 对比学习机制通过缩小类内方差、扩大类间距离, 有效增
强了模型对欺诈类别的判别能力, 在提升召回率的同时控制了误报风险, 从而提高了 F1 分数. 此外, 在不同方法的
比较中, 我们发现 AUC 指标普遍偏高, 这主要是因为 AUC 不受样本不平衡比例的影响, 反映的是模型区分正负
样本的能力, 更关注模型在不同阈值下的整体分类性能. 大多数模型在训练过程中能够较为有效地捕捉到样本的
分布特征, 因此即使在某些情况下, 模型的精确率和召回率表现不理想, 但由于整体区分能力较强, AUC 依然表现
良好. 相比之下, AP 值对模型在识别稀少类别时的表现非常敏感, 若模型无法有效识别欺诈样本, 或者在提高对欺
诈样本识别能力的过程中导致了假阳性 (将正常样本误判为欺诈样本) 的增加, AP 值都会受到显著影响, 这使得
其更能反映模型在实际欺诈检测场景中的能力. 在本文方法中, AP 指标的提升幅度普遍超过 AUC, 表明 FedRPDA
在增强对稀有欺诈样本检测能力的同时, 仍能维持较高的正常样本识别准确率, 体现出良好的实际应用价值.
(3) 进一步评估 FedRPDA 在非图结构欺诈检测方法上的泛化能力, 我们在保持联邦框架与训练机制不变的前
提下, 将原有的 GraphSAGE 架构替换为多层感知机 (MLP), 并仅利用图中节点的属性特征作为输入, 相关实验结
果如表 3 所示. 需要说明的是, 由于 T-Social 数据集高度依赖图结构, 即使在集中式环境下采用非图方法也难以获
得有效训练, 因此在本实验中不纳入该数据集的评估. 从结果来看, 非图结构的欺诈检测方法尽管会有更低的计算
复杂度, 但整体检测性能明显低于完整图结构下的图神经网络方法. 这表明在欺诈节点稀缺、模式复杂的环境中,
图结构所提供的上下文信息对于建模节点间的潜在关系与判别风险特征具有关键作用. 值得注意的是, 即使在缺
乏结构信息的情境下, FedRPDA 仍然取得了优于其他方法的性能表现, 验证了其两项核心策略在非结构输入下依
然具备良好的泛化能力.

表 3 在非图结构欺诈检测方法下 FedRPDA 与基准方法性能比较 (%)

T-Finance Amazon
方法
F1-macro Recall AUC AP F1-macro Recall AUC AP
FedAvg 51.41 51.30 92.41 67.71 91.46 87.20 96.90 87.16
MOON 52.71 52.00 92.54 67.95 91.63 90.05 97.00 87.21
Shapley 53.35 52.34 92.75 68.14 91.70 89.64 97.09 88.01
FedRPDA 55.69 53.66 92.86 68.62 91.77 90.42 97.39 88.30
注: 加粗表示最佳结果