graph-fraud-detection-papers：一份图与 Transformer 欺诈检测论文索引怎么用
A curated list of Graph/Transformer-based fraud, anomaly, and outlier detection papers & resources
秒懂
- 它是什么？
- 这是一个由 safe-graph 维护的论文与资源清单，覆盖基于图神经网络和 Transformer 的欺诈、异常与离群点检测研究。它本身不是代码库，而是一份带交互式面板和本地 RAG 问答工具的文献入口，适合在选题和补文献时用。
- 适合谁用？
- 如果你正在做图神经网络或 Transformer 方向的欺诈、异常检测选题，需要一份按年份和主题分好类的文献入口，这份清单可以直接用，尤其是配合它的交互式 dashboard 做筛选。如果你的目标是拿到一个能跑在自有数据上的检测系统，它不是你要的东西，Toolbox 和 Dataset 两个小节只是指向别处的链接。
- 能商用吗？
- 未经许可不能。GitHub 在这个仓库里没有找到许可证文件；没有许可证，默认即「保留所有权利」：你可以阅读代码，但不能复用。使用前请看看 README，或先征得作者同意。
- 还在维护吗？
- 在维护。仓库最近一次提交在 2 天前。
- 用什么语言写的？
- GitHub 没有给出这个仓库的主要语言。
以上回答依据项目的 GitHub 数据（最近同步于 2026年9月15日）和我们的分析，不构成法律意见。
开源项目深度解析
这份清单解决的是找文献的问题，不是建模的问题
做图欺诈检测的人常遇到一个具体的麻烦：这个方向横跨图神经网络、Transformer、异常检测、垃圾信息识别和金融风控几个圈子，会议也散在 KDD、AAAI、NeurIPS、ACL、EMNLP、ACM MM、CCS 以及 Expert Systems with Applications 这类期刊上。想系统看一遍，靠关键词搜索很容易漏掉改过名字的方法。这个仓库做的事情就是把这些论文按年份和主题收进一张表，每行给出年份、标题、发表venue、论文链接和代码链接。它的目标读者是做研究或做技术选型前期调研的人，不是想直接调用模型接口的工程师。README 开头自称是一份 curated list，措辞是克制的，实际内容也确实以索引为主，没有附带训练脚本或推理代码。
表格结构：年份、venue、论文链接、代码链接四列
清单的主体是 Markdown 表格。以 LLM and Transformer Papers 这一节为例，列头依次是 Year、Title、Venue、Paper、Code。Year 从 2026 一路往回排到 2025，Venue 一列混着 arXiv 预印本和正式会议，比如 KDD 2026、AAAI 2026、ACL 2026、NeurIPS 2025、ACM CCS 2025、EMNLP 2025、ACM MM 2025、KDD 2025。Paper 列是 arXiv PDF 或出版社链接，Code 列要么是 GitHub 地址，要么写着 Link 但没有实际指向，也就是说相当一部分条目没有公开实现。目录把内容分成几块：LLM and Transformer Papers、按年份分组的 Deep Learning Graph Papers（2026、2025、2024 直到 Before 2020）、Non-Deep-Learning Graph Papers since 2014、Toolbox、Dataset、Survey Paper、Other Resource。这个划分本身透露了维护者的判断：图方法按年份线性排列，LLM 相关单独成节，说明后者被当作一条相对独立的线在跟踪。
dashboard 与本地 RAG 聊天机器人是两个外挂
仓库首页挂了两个链接，都不是仓库自身的代码。一个是交互式 dashboard，地址在 safe-graph.github.io/paper_dashboard/，README 说可以用它查看、筛选和搜索清单里的论文。对于表格已经长到需要滚动很久的清单来说，这个入口比直接读 Markdown 实用。另一个是本地 RAG 聊天机器人，README 写的是为了 deep research 而开发，基于 250 篇公开可访问的论文，代码在另一个仓库 YingtongDou/paper_chatbot，部署说明在那个仓库自己的 README 里。这里有一个需要留意的地方：250 篇是一个明确的数字，而清单本身按年份累积的条目数量显然不止这个规模，所以机器人覆盖的是子集而不是全部。把它当成检索辅助可以，把它当成清单的完整问答接口会失望。
它不提供可运行代码，Toolbox 和 Dataset 只是指路
这是最容易产生预期落差的一点。仓库名里有 papers，内容也确实是 papers。Toolbox 和 Dataset 两个小节在目录里存在，但给定材料中没有展开具体条目，因此无法确认里面收录了哪些工具和数据集。也就是说，你不能指望从这里拿到一个 GNN 欺诈检测的训练框架，也不能假设它整理了可直接下载的标注数据。如果你的任务是搭一套能上线的检测流程，这份清单的价值仅限于帮你判断某个方法是否有人做过、代码是否公开。反过来，如果某篇论文的 Code 列写着 Link 却没有实际地址，那就意味着在公开渠道找不到作者实现，复现成本要自己承担。
2026 年的条目里有大量预印本，引用前要分辨
翻 LLM and Transformer Papers 这一节会发现，2026 年的条目中 arXiv 占了大半，标题后面跟着 arXiv 2026，链接指向 arxiv.org 的 PDF。同一节里也有明确标为 KDD 2026、AAAI 2026、ACL 2026 的条目，还有一条发表在 Expert Systems with Applications。预印本和正式发表混排在同一张表里，年份一列只写数字，venue 一列才区分。这对做文献综述的人是个实际风险：预印本的方法描述和最终版本可能有出入，实验设置也可能被审稿意见改过。清单本身没有标注哪些条目已经正式出版、哪些还只是投稿状态，需要读者自己点开链接确认。另外，同一篇 DGP 在表里出现了两次，一次标 AAAI 2026 并给出 ojs.aaai.org 链接，一次标 arXiv 2026 并给出 arXiv 链接，这属于清单维护中常见的重复，不影响使用，但说明去重不是自动的。
和 Papers with Code 这类自动聚合站的区别
同样是想找图欺诈检测的论文，Papers with Code 这类站点靠抓取和关键词自动聚合，覆盖面广，但主题边界是算法推断出来的，容易把只是顺带提到欺诈的论文也收进来。这份清单是人工维护的，边界由维护者决定，代价是更新依赖人工提交，README 里挂着 makeapullrequest.com 的 PRs-welcome 徽章，说明接受外部贡献。另一个区别在于组织维度：自动站点通常以任务和榜单为中心，这份清单以发表年份和主题分节为中心，更接近一篇综述的骨架，适合按时间线看一个方向怎么演进，比如从纯图方法过渡到 LLM 与 GNN 结合的软提示框架。代价是没有统一的评测口径，你无法从清单本身判断哪个方法在哪个数据集上更强。
维护成本低，但许可证信息缺失
作为一份 Markdown 清单，它没有构建步骤，没有依赖，也没有需要升级的运行时。使用成本主要是阅读和核对链接的时间。需要说明的是，给定材料中 License 字段为空，仓库没有检索到任何 release，因此无法判断再分发或商用的许可条件。清单里链接的论文和代码各自有自己的许可，这跟仓库本身的许可不是一回事。如果你的团队打算把清单内容整理进内部知识库或对外文档，先到仓库页面确认 License 字段的实际取值，不要基于这份材料做判断。这一点无法从现有信息推断，只能自行核实。
什么时候该换别的路子
如果你的需求是复现某篇具体论文并在自有交易或社交图上跑通，这份清单帮不上太多，你需要的是那篇论文的代码仓库和它依赖的数据集，清单只能告诉你代码是否存在。如果你的需求是找一个已经工程化、带 API 的欺诈检测服务，那更不该从这里入手，清单里没有任何部署或服务化的内容。它的适用场景相当窄：选题调研、补文献、确认某个方法是否已有人提出、按年份梳理一个子方向的发展脉络。超出这个范围，投入产出比会迅速下降。
编辑结论
如果你正在做图神经网络或 Transformer 方向的欺诈、异常检测选题，需要一份按年份和主题分好类的文献入口，这份清单可以直接用，尤其是配合它的交互式 dashboard 做筛选。如果你的目标是拿到一个能跑在自有数据上的检测系统，它不是你要的东西，Toolbox 和 Dataset 两个小节只是指向别处的链接。采用前先确认三件事：仓库的 License 字段在给定材料中没有给出，商用或再分发前需要自行到仓库核实；README 里 2026 年的条目包含尚未正式出版的 arXiv 预印本，引用前要核对最终发表版本；本地 RAG 聊天机器人是独立仓库 paper_chatbot，部署方式和它对 250 篇论文的覆盖范围要看那个仓库自己的 README，不能默认它覆盖了整份清单。
社区笔记