为什么GNN不适合用于金融反欺诈

问题不是 GNN 不强，而是“假设全错”。

GNN 的核心假设有 4 个，在 DGraph 中几乎全被打破。

1️⃣ 同质性假设被严重破坏

GNN 默认相信“相连的节点更可能属于同一类”。这在社交网络、引用网络里成立。

而金融欺诈图中实际是 欺诈节点 ≠ 喜欢连欺诈节点。反而是：“欺诈 → 大量正常用户” “欺诈 → 垃圾账号 / 背景节点” “欺诈 → 临时壳节点”，结果message passing = 风险被正常节点“稀释”。越聚合邻居，欺诈信号越弱。

2️⃣ 异质性极强，但 GNN 处理不好

DGraph 的是多类型、有方向、有语义（转账 / 担保 / 登录 / 设备）

普通 GCN / GAT：把邻居一股脑平均、type / direction 只当弱特征

结果结构存在，但语义被抹平。

而风控里，恰恰是某一类边、某一个方向、某一个时间段最重要。

3️⃣ 极端不平衡 + 平滑效应 = 灾难

DGraph 的现实是正样本 < 1%。多 hop 后：fraud signal → 被 99% 正常节点淹没

GNN 的机制是多层聚合、embedding 趋同

结果导致模型越深，越“看不见欺诈”。

4️⃣ 时间被“平均掉”了

标准 GNN本质是静态聚合，时间只是一个附加特征。

而 DGraph 的风险信号是突然爆发、短期异常、时序模式

GNN 的 message passing把昨天 + 上个月 + 去年一起平均，时间方向性直接消失。