基於符號圖與拉普拉斯正則化於樹狀模型之金融詐騙偵測
黃O寬、張O碩、蔡O志、劉O珊、李O昕、鍾O烽、張O朗、鄭O樺
DSGLRGBoost 主要處理金融詐騙圖的節點異質性（詐騙者常透過與正常用戶建立連結以偽裝），異質性降低依賴同質性平滑假設的傳統圖神經網路表現，而梯度提升決策樹雖善於處理表格數據卻缺乏感知網路拓樸的能力。
為此，本研究將符號圖拉普拉斯正則化作為可微分的拓樸先驗，融入梯度提升樹的目標函數中。核心機制透過萃取節點特徵空間的相似度建構連續符號圖，並採用絕對度數進行矩陣正規化，將異質連結轉化為最佳化過程中的排斥力。此外，藉由引入先驗中心化平移，模型能校準極端不平衡的分類基準率，迫使偽裝的詐騙節點在預測空間中被反向推離正常群體。
研究成果是，相較於純樹模型或單純依賴同質性平滑的架構，本方法能更好地捕捉異質排斥的關鍵特徵，且提升高度類別不平衡且具時間動態性環境下的平均準確率與詐騙召回率且運算成本低。
