CAMERA: Adapting to Semantic Camouflage in Unsupervised Text-Attributed Graph Fraud Detection
CAMERA：适应语义伪装的无监督文本属性图欺诈检测
🧭 无监督图欺诈检测 · MoE自适应融合 ★ 深度解读
Griffith University · La Trobe University
提出CAMERA，通过解耦MoE专家与上下文感知门控自适应融合多源线索，实现无监督检测语义伪装欺诈者
📌 工作参考价值（4 点）
- LLM 文本编码替代浅层特征：用预训练 LLM（如 OpenAI text-embedding-3-small）提取节点文本的高质量语义表示，比 TF-IDF 或 SentenceBERT 更能保留细微恶意信号，适合电商评论/社交文本的欺诈检测。
- MoE 解耦多源欺诈线索：将结构偏差（GCN 残差）、语义偏差（自编码器残差）和全局分布偏差（距平均原型的距离）分别交给独立专家建模，避免单一信号被伪装掩盖；推荐系统做内容/行为异常检测时可效仿此解耦设计。
- 上下文感知门控自适应融合：门控网络结合节点自身表征和邻居聚合上下文计算专家权重，使同一个数据集中不同子社区能灵活侧重不同线索；可迁移到多源信号融合的推荐排序或风险模型中，用局部上下文动态调整信号重要性。
- 利用稀有性的一类无监督训练：基于欺诈者稀少的先验，采用 BCE 损失将多数节点得分压缩至 0，让少数欺诈节点自然凸显，配合专家级重构损失迫使专家学习正常模式；无需标签的训练思路可降低业务标注成本。