RGH-GNN：风险门控图网络检测金融欺诈

基于摘要分析。本文研究信用卡欺诈检测中的类别不平衡与欺诈信号被邻域聚合稀释的问题，提出 RGH-GNN：利用监督式 LightGBM 生成交易级风险分数，将其作为边权，并通过可学习的风险门控聚合引导异构图消息传递。主要研究对象是金融交易及其关联关系，而非 EEG 或 BCI。 核心机制是将交易特征产生的风险信号与图关系建模结合。账户、设备及共享属性揭示交易之间的联系，风险门控则使高风险交易对表示学习产生更强贡献，以减少稀少欺诈信号在聚合过程中被稀释的影响。摘要未给出门控函数、图构建细节、损失形式，以及 LightGBM 与图模型的训练衔接方式。 作者报告，在 IEEE-CIS fraud detection dataset 上，与在同一异构图上训练的标准图神经网络基线相比，RGH-GNN 在所有所评估指标上均更优，AUC-ROC 为 0.914。摘要未提供数据划分、基线名称、其他指标数值与统计不确定性，因此该结果仅适用于文中尚待核对的评估协议。实验协议、消融及统计信息尚未验证；复现时尤其需要核对风险分数生成与数据划分的对应关系、类别不平衡处理及门控模块的独立贡献。 平台推测（待验证）：其可迁移的机制是假设外部监督模型产生的可信度或风险分数能够辅助图聚合，而不是金融欺诈结论本身。若用于 EEG，需先定义通道、试次等节点及边的含义，并将欺诈风险替换为任务相关且经校准的置信信号；低信噪比、跨被试分布变化与小数据条件可能使错误置信度被门控进一步放大。一个可证伪的小实验是在固定 EEG 图模型和数据划分下，对比无门控、置信门控与随机门控，并仅用训练数据拟合置信模型。已有 EEG 相关工作尚未检索确认。