graph-fraud-detection-papers

一张图看懂图神经网络反欺诈前沿论文与资源

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署开源模型 🍴 复刻 301 🐛 待处理 1 👀 关注 57

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 1903

维护状态维护中

是否开源开源

定价模式 🏷️完全免费开源项目，完全免费，无付费版本。

项目预览

graph-fraud-detection-papers 项目界面预览图 — 图片来源：GitHub 官方仓库名片

项目数据

分类开源模型

开发团队safe-graph

官网地址https://safe-graph.github.io/paper_dashboard

GitHubhttps://github.com/safe-graph/graph-fraud-detection-papers

定价模式🏷️完全免费

价格说明开源项目，完全免费，无付费版本。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

技术栈/模型academic-publications,anomaly-detection,awsome-list,data-mining,data-science,dataset,deep-learning,foundation-models,fraud-detection,graph-algorithms,graph-convolutional-networks,graph-neural-networks,llm,machine-learning,outlier-detection,papers,security,spam-detection,survey,transformer

GitHub 星标★ 1903

上线时间2019-11-21 00:00:00

代码更新2026-09-13

仓库体积229 KB

本站数据更新2026-11-09

维护状态维护中

收录时间2026-08-09

浏览次数6

项目介绍

这是一个精选的图神经网络与Transformer在欺诈检测、异常检测和离群点检测领域的论文与资源列表。项目系统整理了基于图结构（如GNN、Graph Transformer）的欺诈检测方法，涵盖金融反欺诈、社交网络虚假账户识别、推荐系统恶意行为检测等场景。它按任务类型（节点级、边级、图级）、方法类别（监督、半监督、无监督）以及应用领域对论文进行分类，并收录了相关数据集、代码实现和基准测试。该列表解决了该领域研究分散、入门门槛高的问题，为研究人员和工程师提供了从理论到实践的导航图。核心价值在于其结构化的知识梳理和持续更新的资源聚合，帮助用户快速定位特定方向的前沿工作，并了解技术演进脉络。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 1903

技术标签

anomaly-detection data-mining data-science dataset deep-learning

使用教程

⚠ 本教程由 AI 依据该项目 README 整理；原始文档不完整，部分步骤为通用流程推断，实际安装请以项目官方文档为准。

难度：入门约 5 分钟部署方式：库/依赖 4 步

⚠ 该项目 README 未提供完整安装说明，以下步骤为通用流程，请以官方文档为准。

环境要求

可访问 GitHub 与互联网的浏览器
本地已安装 Git（用于克隆仓库）
如需部署本地 RAG 聊天机器人，需自行准备 Python 运行环境

安装与启动步骤

1打开在线论文面板

README 提供了交互式面板，可直接在浏览器中查看、筛选和搜索收录的论文，无需任何安装。
2克隆论文列表仓库

把资源仓库下载到本地，方便离线阅读 README 中的论文分类目录和历年论文清单。
```
git clone https://github.com/safe-graph/graph-fraud-detection-papers.git
```
3浏览论文分类目录

打开仓库 README，按 LLM/Transformer 论文与各年份深度学习图论文的分类链接逐项查阅。
4部署 RAG 聊天机器人

README 提到一个本地 RAG LLM 聊天机器人，需要克隆其独立仓库并按该仓库 README 的说明部署使用。
```
git clone https://github.com/YingtongDou/paper_chatbot.git
```