VIP20
本课程属于：046-反欺诈图谱阈值分层试验 金融科技风控与量化工程 · 共 20 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

反欺诈图谱GraphSAGE模型训练

共计 30 章节
点击此处阅读海量试读课程：100+行业、1000+细分领域
01
课程导论
反欺诈图谱与GraphSAGE概述 · 课程目标与学习路径 · 前置知识要求
课程导论GraphSAGE
02
图论基础
图的定义与表示 · 有向图与无向图 · 度
图论基础图的定义
03
图数据在反欺诈中的应用
欺诈模式图谱化 · 节点与边的语义定义 · 常见欺诈图谱案例
图数据反欺诈
04
图神经网络基础
从传统图算法到GNN · 消息传递机制 · GNN的聚合与更新
图神经网络基础GNN
05
GraphSAGE原理详解
采样邻居节点 · 聚合函数（Mean/LSTM/Poo… · 归纳式学习
GraphSAGE原理详解
06
GraphSAGE与GCN对比
直推式 vs 归纳式 · 全图 vs 采样 · 适用场景分析
GraphSAGEGCN
07
反欺诈图谱构建
数据源选择（交易 · 设备 · 社交）
反欺诈图谱构建数据源选择
08
特征工程
节点特征设计（统计特征 · 行为特征） · 边特征设计
特征工程节点特征设计
09
负采样策略
随机负采样 · 基于规则的负采样 · 困难负样本挖掘
负采样策略随机负采样
10
数据预处理与图划分
训练集/验证集/测试集划分 · 时间序列切分 · 跨图泛化
数据预处理图划分
11
PyTorch环境搭建
Python环境配置 · PyTorch安装 · DGL/PyG库安装与验证
PyTorch环境搭建
12
DGL/PyG基础操作
图创建 · 节点与边添加 · 批量图处理
DGL/PyG基础操作
13
GraphSAGE模型实现（PyTorch+DGL）
模型类定义 · 采样器实现 · 前向传播
GraphSAGEPyTorch+DGL
14
GraphSAGE模型实现（PyTorch+PyG）
SAGEConv层使用 · 多层堆叠 · Dropout与正则化
GraphSAGEPyTorch+PyG
15
损失函数与优化器
二分类交叉熵损失 · Focal Loss处理样本不平衡 · Adam优化器调参
损失函数优化器
16
模型训练流程
Epoch循环 · Batch训练 · 梯度裁剪
模型训练流程Epoch
17
模型评估指标
准确率 · 精确率 · 召回率
模型评估指标准确率
18
反欺诈场景下的模型调优
阈值调整 · 代价敏感学习 · 集成策略
反欺诈场景下的模…阈值调整
19
模型解释性
节点注意力可视化 · 特征重要性分析 · GNNExplainer应用
模型解释性节点注意力可视化
20
大规模图训练技巧
Mini-batch训练 · 邻居采样参数调优 · 分布式训练简介
大规模图训练技巧Mini-batch
21
实时推理部署
模型导出（ONNX/TorchScr… · 推理服务搭建 · 延迟优化
实时推理部署ONNX/TorchSc…
22
案例实战一
信用卡交易反欺诈图谱构建与Graph…
案例实战一Graph
23
案例实战二
社交网络虚假账户检测图谱构建与模型训…
案例实战二社交网络虚假账户…
24
案例实战三
设备指纹关联图谱与团伙欺诈识别
案例实战三设备指纹关联图谱
25
案例实战四
跨平台多关系图谱融合与欺诈风险评分
案例实战四跨平台多关系图谱…
26
模型鲁棒性
对抗攻击与防御 · 图结构扰动 · 特征扰动
模型鲁棒性对抗攻击
27
模型持续学习
增量训练 · 图数据漂移检测 · 模型回滚机制
模型持续学习增量训练
28
A/B测试与业务效果评估
离线指标与在线指标 · 灰度发布 · 效果归因
A/B测试
29
课程总结
GraphSAGE在反欺诈中的最佳实… · 常见陷阱与解决方案
课程总结GraphSAGE
30
扩展学习
异构图GraphSAGE · 时序图神经网络 · 图预训练模型（GPT-GNN）简介
扩展学习GraphSAGE