信贷反欺诈图模型：关系网络与团伙识别实验

黑产化的信贷申请欺诈很少以孤立个体出现：一批申请共享设备指纹、联系人、收款卡与出口IP，形成可识别的团伙。单点风控模型只依据单笔申请的身份、征信与行为特征打分，对这类并联申请往往漏判。金融AI实验室本期把申请件、设备、银行卡、手机号、联系人与IP构造成异构图，用归纳式图模型（GraphSAGE类）做节点级欺诈概率预测，边侧引入时间衰减，训练与验证按时间切分，避免未来信息泄漏。

进展：在实验室内部18个月、约420万申请件、6300万条异构边的回测集上，团伙召回由单点基线0.62提升至0.79，正常客户拒绝率维持在约0.8%；对首次出现的新设备，采用邻居属性聚合加规则兜底，冷启动节点AUC未出现明显下降。

下一步：将高风险子图回溯为可读证据链（设备—联系人—收款卡路径），接入人审工作台做影子对比；同时评估图规模增长下的邻居采样与增量更新成本，确认在线推理延迟满足审批链路要求。