L2IR: 그래프 사기 탐지에서 숨겨진 의도 파악

L2IR: Revealing Latent Intent in Graph Fraud Detection

그래프 사기 탐지는 오랫동안 관계 데이터에 대한 정보 전달 및 집계를 위해 그래프 신경망(GNN)에 의존해 왔습니다. 그러나 실제적인 어려움은 사기범들이 종종 정상 사용자들과 수많은 연결을 맺어 자신을 숨기기 때문에, 이웃 영역에서의 정보 집계 과정에서 사기 신호가 점차 희석되어 탐지 신뢰성이 떨어지는 것입니다. 최근 연구에서는 대규모 언어 모델(LLM)을 사용하여 사기 탐지에 풍부한 의미 정보를 제공하려는 노력이 있었지만, 의심스러운 연결의 근본적인 의도는 여전히 충분히 탐구되지 않았습니다. 더욱이, 어노테이션된 사기 샘플의 부족으로 인해 심각하게 위장된 경우에도 안정적으로 작동하는 탐지기를 훈련하기 어렵습니다. 이러한 문제점을 해결하기 위해, 본 연구에서는 그래프 사기 탐지를 위한 LLM 기반의 숨겨진 의도 파악 프레임워크인 L2IR을 제안합니다. L2IR은 사용자 행동과 의심스러운 연결 모두에서 숨겨진 의도를 밝혀내어, 원시 행동 데이터를 기반으로 의도에 대한 정보를 추출하고 개별 연결의 실제 목적에 대해 추론함으로써, 정상적인 연결과 오해를 불러일으키는 연결을 효과적으로 구별합니다. 또한, 제한된 감독 환경에서도 견고성을 향상시키기 위해 적응형 자기 훈련 방법을 사용합니다. 광범위한 위장이 존재하는 두 개의 실제 데이터 세트에 대한 실험 결과, L2IR은 강력한 기준 모델보다 우수한 성능을 보였으며, 다양한 GNN 기반 탐지기의 플러그인 형태로 적용되어 AUPRC를 최대 8.27%까지 향상시킬 수 있음을 확인했습니다.

Graph fraud detection has long depended on Graph Neural Networks (GNNs) to propagate and aggregate information across relational data. A critical obstacle in practice, however, is that fraudsters frequently disguise themselves by forging numerous connections with benign users, causing fraud signals to be progressively diluted during neighborhood aggregation and undermining detection reliability. While recent efforts have used Large Language Models (LLMs) to provide rich semantic cues for fraud detection, the underlying intent behind suspicious connections remains insufficiently explored. Compounding this issue, the scarcity of annotated fraud samples makes it difficult to train detectors that remain robust under heavy camouflage. To address these gaps, we propose L2IR, an LLM-driven Latent Intent Revealing framework for graph fraud detection. By uncovering latent intent from both user behaviors and suspicious connections, L2IR extracts intent-aware representations from raw behavioral traces and reasons about the true purpose behind individual connections, effectively distinguishing supportive links from misleading ones. It further incorporates adaptive self-training to enhance robustness under limited supervision. Evaluations on two real-world datasets characterized by pervasive camouflage demonstrate that L2IR surpasses strong baselines and can function as a plug-in enhancement for a range of GNN-based detectors, improving AUPRC by up to 8.27%.