graph-fraud-detection-papers: eine kuratierte Bibliografie mit eigenem Dashboard und lokalem RAG-Chatbot

Welche Lücke die Sammlung füllt und für wen sie gedacht ist

Forschung zu betrugserkennung mit Graphen verteilt sich über sehr unterschiedliche Orte: KDD, AAAI, NeurIPS, ACM CCS, ACL, EMNLP, dazu arXiv-Preprints und Zeitschriften wie Expert Systems with Applications. Wer neu in das Thema einsteigt, hat keine natürliche Stelle, an der diese Arbeiten zusammenlaufen. Genau dort setzt das Repository an. Es beschreibt sich selbst als kuratierte Liste von Graph- und Transformer-basierten Papern und Ressourcen für Fraud-, Anomalie- und Outlier-Erkennung. Die Zielgruppe ist damit klar umrissen: Doktoranden und Forschende, die einen Überblick über Verfahren und Venues brauchen, sowie Praktiker, die wissen wollen, welche Modellfamilien in diesem Feld publiziert werden. Das Repository ist kein Werkzeugkasten und keine Bibliothek. Es enthält keine ausführbare Pipeline und keine Modellgewichte. Wer eine Betrugserkennung produktiv betreiben will, bekommt hier Referenzen, aber keine Bausteine.

Aufbau der Liste: Jahrgänge, Venues und die Code-Spalte

Die README gliedert den Inhalt in mehrere Blöcke. Ganz oben stehen LLM- und Transformer-Paper, darunter folgen Deep-Learning-Graph-Paper, aufgeteilt nach Jahrgängen von 2026 rückwärts bis vor 2020. Danach kommen nicht-deep-learning-basierte Graph-Paper seit 2014, ein Toolbox-Abschnitt, ein Dataset-Abschnitt, Survey-Paper und weitere Ressourcen. Die Tabellen haben die Spalten Year, Title, Venue, Paper und Code. Diese Struktur ist der eigentliche Wert: Sie erlaubt es, einen Jahrgang zu überfliegen und zu sehen, welche Venues in diesem Feld publizieren. Auffällig ist die Code-Spalte. In den zitierten Ausschnitten steht bei einem Teil der Einträge nur das Wort Link ohne Ziel, bei anderen ein echtes Repository. Ein Beispiel für einen belegten Code-Verweis ist DGP: A Dual-Granularity Prompting Framework for Fraud Detection with Graph-Enhanced LLMs, das auf github.com/Xtra-Computing/DGP zeigt. Andere Einträge wie TransactionGPT oder TREASURE haben in der Vorlage keine ausgefüllte Code-Spalte. Wer die Liste als Auswahlhilfe für nachbaubare Verfahren nutzt, sollte deshalb zuerst nach Einträgen mit tatsächlichem Code-Link filtern, nicht nach Titel oder Venue.

Dashboard und RAG-Chatbot als eigentliche Zugangsschicht

Zwei Zusatzangebote sind wichtiger, als sie auf den ersten Blick wirken. Erstens ein interaktives Dashboard unter safe-graph.github.io/paper_dashboard/, das laut README das Anzeigen, Filtern und Durchsuchen der gelisteten Paper erlaubt. Zweitens ein lokaler, RAG-basierter LLM-Chatbot im Repository safe-graph/paper_chatbot, den das README mit 250 öffentlich zugänglichen Papern beschreibt. Die Formulierung local ist hier zentral: Der Chatbot läuft nach Angaben des Projekts lokal, und die README verweist für die Einrichtung auf die Projektseite des Chatbots. Das ist ein bewusster Unterschied zu gehosteten Assistenten. Paper, die teilweise hinter Verlagszugängen liegen, werden nicht an einen fremden Dienst geschickt, sondern im eigenen Setup indexiert. Der Preis dafür ist Betriebsaufwand: Wer den Chatbot nutzen will, muss ihn selbst deployen. Das Repository liefert dafür keine Konfiguration mit, sondern nur den Verweis.

Inbetriebnahme: was tatsächlich kopierbar ist

Das Repository selbst hat keine Installationsanleitung, weil es nichts zu installieren gibt. Der sinnvolle Weg ist ein Klon und die Arbeit mit den Markdown-Dateien: git clone https://github.com/safe-graph/graph-fraud-detection-papers.git, danach die README im Editor oder in einem Markdown-Viewer öffnen. Für die Recherche ist das Dashboard der bequemere Einstieg, es läuft im Browser und braucht keine lokale Umgebung. Der Chatbot ist der einzige Teil mit echtem Setup: Das README verweist auf github.com/YingtongDou/paper_chatbot und darauf, dass die Deploy-Anleitung in dessen README steht. Konkrete Schlüssel, Ports oder Modellnamen nennt die hier vorliegende Vorlage nicht, deshalb lassen sie sich an dieser Stelle nicht wiedergeben. Wer den Chatbot produktiv für die eigene Literaturarbeit einsetzen will, muss zuerst die README des Chatbot-Repositories lesen und dort prüfen, welches Modell, welcher Index und welche Abhängigkeiten vorausgesetzt werden.

Grenzen: was die Liste nicht leistet

Die wichtigste Einschränkung ist die Unterscheidung zwischen Zitat und Artefakt. Ein Eintrag in der Tabelle belegt, dass ein Paper existiert und wo es veröffentlicht wurde. Er belegt nicht, dass der Code verfügbar, lauffähig oder mit der Publikation konsistent ist. In der Vorlage fehlen bei mehreren Einträgen die Code-Links vollständig, und es gibt keine Angabe dazu, ob verlinkte Repositories gepflegt werden. Zweitens hat das Repository keine Releases. Es gibt also keine versionierten Stände, auf die man sich berufen könnte; der Inhalt ändert sich mit Commits auf dem master-Branch. Drittens ist die Liste selbst eine Auswahl. Ob ein relevantes Paper fehlt, lässt sich von außen nicht prüfen, und die README macht keine Angaben zu Auswahlkriterien. Viertens ist unklar, wie aktuell die Einträge im Detail sind. Der letzte Push liegt laut Metadaten im Juni 2026, und die LLM-Sektion enthält Einträge mit Jahrgang 2026, teils mit arXiv-Kennungen. Wer eine belastbare Literaturauswahl braucht, sollte die Liste als Startpunkt behandeln und jeden Eintrag gegen die Originalquelle prüfen.

Abgrenzung zu Frameworks wie PyGOD oder DGL-basierten Toolboxen

Der naheliegende Vergleich sind keine anderen Paper-Listen, sondern ausführbare Anomalie-Erkennungs-Bibliotheken. Eine Bibliothek wie PyGOD stellt implementierte Detektoren mit einheitlicher Schnittstelle bereit: Man lädt einen Graphen, ruft einen Detektor auf, bekommt Scores. Der Unterschied im Ansatz ist grundlegend. Eine Bibliothek beantwortet die Frage, wie man ein Verfahren anwendet. Dieses Repository beantwortet die Frage, welche Verfahren existieren und wo sie publiziert wurden. Der Nutzen liegt in der Breite: Die Liste deckt LLM- und Transformer-Ansätze, Graph-Neural-Network-Verfahren und klassische Graph-Methoden seit 2014 in einer Struktur ab. Eine Bibliothek wird dagegen nur die Verfahren enthalten, die jemand implementiert und gepflegt hat. Wer eine Baseline für ein eigenes Experiment braucht, greift zur Bibliothek. Wer verstehen will, welche Modellfamilien in diesem Feld gerade verfolgt werden und welche Venues sie publizieren, greift zur kuratierten Liste. Beides zu kombinieren ist der realistische Weg: erst die Verfahren identifizieren, dann prüfen, ob es dafür eine Implementierung gibt.

Pflegeaufwand, Lizenzlage und was vor der Nutzung zu klären ist

Der Pflegeaufwand für die Nutzung liegt beim Leser, nicht beim Repository. Es gibt keine Releases und damit keine Stände, die man pinnen könnte. Wer die Liste in eine eigene Dokumentation übernimmt, muss den Commit-Hash festhalten, sonst ist die Referenz nach dem nächsten Push nicht mehr nachvollziehbar. Das Repository nennt in der vorliegenden Vorlage keine Lizenz. Damit ist unklar, unter welchen Bedingungen die zusammengestellten Inhalte weiterverwendet werden dürfen. Die einzelnen Paper unterliegen ohnehin eigenen Rechten der Verlage beziehungsweise der Autoren, und die Lizenz des Repositories würde daran nichts ändern. Wer die Liste oder Auszüge daraus in einem eigenen Produkt oder einer eigenen Publikation verwendet, sollte die Lizenzfrage vorab klären und nicht aus dem Fehlen einer Lizenzangabe auf freie Verwendung schließen. Das Repository hat einen Pull-Request-Badge, Beiträge sind also ausdrücklich vorgesehen; für die eigene Literaturverwaltung ist das aber ohne Bedeutung.

Redaktionelles Fazit

Wer eine strukturierte Einstiegsbibliografie für Graph- und Transformer-Verfahren in der Fraud Detection braucht, findet hier eine nach Jahr und Venue sortierte Liste mit Dashboard und einem lokal betreibbaren RAG-Chatbot über 250 Paper. Wer reproduzierbare Baselines, gepflegte Implementierungen oder einen Benchmark sucht, ist hier falsch: viele Einträge haben keine Code-Spalte, es gibt keine Releases, und das Repository ist eine Sammlung, kein Framework. Vor dem Einsatz sollte man prüfen, ob die eigenen Kernpapiere überhaupt gelistet sind, ob zu ihnen Code verlinkt ist und ob die Lizenz des Repositories die geplante Weiterverwendung der zusammengestellten Inhalte abdeckt.

Offizielle Quellen

1. Issues
2. Project website
3. README
4. safe-graph/graph-fraud-detection-papers on GitHub