arXiv cs.AI· Xiaobo Chen, Genliang Zhu, Ziyuan Wang, Chu Wang·· 1 天前AI 评分22
合成 HR/ERP 图谱中的薪资欺诈检测：规则、路径特征与 GNN 的归纳式对比
Payroll Fraud Detection in Synthetic HR/ERP Graphs: An Inductive Comparison of Rules, Path Features, and Graph Neural Networks
AI 导读
研究将薪资欺诈筛查建模为合成 HR/ERP 图谱上的归纳式链接预测与实体排序任务，在 24 家留出机构上对比分析规则、显式路径特征与 GNN。调优后的梯度提升模型在链式连接特征上取得最高链接 AP 0.823，高于 GraIL 风格 GNN 的 0.663，其 4-hop AP 为 0.646 对 0.272，说明多跳增益并非 GNN 独有。
正文 · AI 翻译
摘要：薪资欺诈筛查需要在区分可疑关系与合法关系的同时，找出隐藏的员工—收款人关联。我们将该问题形式化为在合成人力资源与企业资源规划（HR/ERP）图上的归纳式链接预测与实体排序，其中包含未见过的组织，并为每个植入案例配备一个匹配的良性孪生案例。一项针对 24 个留出组织的原创研究以及一项前瞻性冻结的扩展研究，比较了分析师规则、显式路径特征和图神经网络（GNN）。一个基于链式连接特征调优的梯度提升模型取得了最高的整体链接平均精度（AP；0.823），高于 GraIL 风格的 GNN（0.663）；其 4 跳 AP 为 0.646，而后者为 0.272。因此，观察到的多跳增益并非 GNN 所特有。在一个正实体占比为 2.0% 的新合成队列上，链式连接提升方法再次领先（AP 0.798）；关系实体 GNN 也超过了记录感知规则（0.707 对 0.504）。在 2% 的审查预算下，二者的精确率分别为 0.695 和 0.602。在 40% 标识符连接失败的情况下，实体 GNN 的排序高于链式连接提升方法（AP 0.712 对 0.683，描述性）。仅基于结构的审计暴露了初始生成器中的一个捷径；匹配孪生将审计孪生池的 AUROC 降至 0.493–0.514。这些结果在明确的合成评估设计中，区分了多跳候选发现、基于记录的判别和审查优先级排序。代码和数据可向作者索取。
| 评论： | 40 页 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.41085 [cs.AI] |
| （或 arXiv:2610.41085v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.41085 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Xiaobo Chen [查看电子邮件]
[v1]
2026 年 10 月 29 日星期四 23:53:22 UTC（90 KB）
来源：arXiv cs.AI · arxiv.org