買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉西南財經大學申請的專利欺詐檢測的圖訓練微調方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN120451598B 。

龍圖騰網通過國家知識產權局官網在2025-09-16發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510905411.3，技術領域涉及：G06V10/74；該發明授權欺詐檢測的圖訓練微調方法是由楊新;李婷婷;任靈飛;吳美君;曹雪梅;李志勇設計研發完成，并于2025-07-02向國家知識產權局提交的專利申請。

本欺詐檢測的圖訓練微調方法在說明書摘要公布了：本發明公開了欺詐檢測的圖訓練微調方法，方法包括以下步驟：S1：多源圖數據整合與表征；S2：圖結構預處理；S3：預訓練模型優化；S4：少樣本特征工程與遷移；S5：輕量化微調優化，包括推理階段和模型微調階段。本發明通過多層次的特征解耦與融合，顯著提升了模型對欺詐模式的敏感性和泛化能力，在保證檢測精度的同時降低了對標注數據的依賴，為復雜場景下的欺詐防控提供了有效的技術解決方案。

本發明授權欺詐檢測的圖訓練微調方法在權利要求書中公布了：1.欺詐檢測的圖訓練微調方法，其特征在于：包括以下步驟： S1：多源圖數據整合與表征，包括：收集并整合多源無標簽圖數據，其中無標簽圖數據包含節點集矩陣、節點屬性集矩陣、邊集矩陣、鄰接矩陣，其中：節點屬性集矩陣即原始特征矩陣包含每個節點的特征值，鄰接矩陣包含節點間的連接關系； S2：圖結構預處理，包括：對原始特征矩陣依次進行維度映射、歸一標準化、平滑性排列得到更新特征矩陣；利用鄰接矩陣和更新特征矩陣，計算每個節點的特征值與鄰居節點特征值的平均值之間的第一差值；計算每個節點的第一差值與其他節點的第一差值的余弦相似度距離，記錄余弦相似度距離最大的k個節點作為每個節點高頻特征的正樣本集； S3：預訓練模型優化，包括：將更新特征矩陣和鄰接矩陣輸入至GPR-GNN模型，經過GRP傳播后得到K步傳播后的傳播特征矩陣；基于所述傳播特征矩陣，計算每個節點特征值與鄰居平均值的和的平均值得到低頻特征，并計算每個節點特征值與鄰居平均值的差得到高頻特征，其中鄰居平均值具體為鄰居節點的特征值的和的平均值；基于低頻特征和每個節點低頻特征的正樣本集計算低頻特征損失函數，基于高頻特征和每個節點高頻特征的正樣本集計算高頻特征損失函數，其中每個節點低頻特征的正樣本集包含節點直接相連的鄰居節點；利用低頻特征損失函數和高頻特征損失函數對GPR-GNN模型進行訓練，直至模型收斂； S4：少樣本特征工程與遷移，包括：對收集到的欺詐檢測相關的少樣本圖數據依次進行所述多源圖數據整合與表征的步驟、和所述圖結構預處理的步驟；其中，對于少樣本圖數據的圖結構預處理的步驟中僅計算得到少樣本圖數據的更新特征矩陣，所述少樣本圖數據具體為少量樣本有標簽； S5：輕量化微調優化，包括推理階段和模型微調階段； 所述推理階段包括：將少樣本圖數據的更新特征矩陣和鄰接矩陣輸入凍結的GPR-GNN模型中，對有標簽的少量樣本節點進行特征解耦，即計算有標簽的少量樣本節點所對應的低頻特征和高頻特征；分別將少量樣本節點所對應的低頻特征和高頻特征依次進行如下操作：輸入至輕量級條件網絡生成動態提示、使用逐元素乘法進行節點嵌入調整，得到低頻節點嵌入和高頻節點嵌入； 所述模型微調階段包括：分別將低頻節點嵌入和高頻節點嵌入輸入至對應的MLP分類器進行初步推理，之后進行交叉熵計算低頻路徑和高頻路徑的重要性權重，將低頻節點嵌入和高頻節點嵌入與對應的重要性權重進行整合，使用Softmax分類器輸出欺詐檢測的預測結果，以交叉熵損失對除凍結的GPR-GNN模型以外的模型進行微調。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人西南財經大學，其通訊地址為：611130 四川省成都市青羊區光華村街55號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。