金融机构在检测复杂的洗钱模式（如“洗小钱”和分层）时面临重大挑战，这些模式由于极端的数据不平衡（欺诈率仅为0.13%）和不断演变的对抗性规避战术而变得更加复杂。本文提出了 FraudShield AI，一个混合框架，将长短期记忆（LSTM）网络与手工设计的图拓扑特征相结合，以捕捉时间序列和结构关系上下文。
通过工程化网络中心特征，包括 PageRank 中心性、入度动态和自定义流量比率，系统将检测范式从孤立的交易分析转向网络级取证。采用 Focal Loss 目标来解决类别不平衡问题，同时引入动态阈值机制以提高对低值洗小钱攻击的抵抗力。
在 PaySim 数据集上的实验评估显示，所提混合模型在精准度、召回率和 F1 分数上显著优于逻辑回归和 XGBoost 基线，尤其是在难以检测的微交易欺诈模式上。消融研究确认了时间和拓扑组件的互补贡献。
博主点评： 这个框架通过结合时间序列与网络结构特征，为金融欺诈检测带来了新的视角，尤其是在面对不平衡数据和复杂欺诈模式时展现出强大的适应能力。研究的创新性值得关注，未来可能推动更多领域的应用。