研究对比GNN与路径特征在薪资欺诈检测中的表现
Start here
2026年11月2日，arXiv发表关于合成HR/ERP图中薪资欺诈检测的归纳式对比研究。测试结果显示，在薪资欺诈链接预测中，基于链式连接特征的梯度提升模型整体链接平均精度（AP）达到0.823，明显优于GraIL风格GNN的0.663；同时其4-hop AP达到0.646，也高于GNN的0.272，表明多跳收益并非GNN独有。然而，在40%标识符连接失败的场景下，实体GNN的AP达到0.712，反超了梯度提升模型的0.683。
AI-generated from reports · Updated 6 hours ago
Report timeline
Follow the reports to see different sides of the story.
- arXiv 人工智能合成 HR/ERP 图中的薪资欺诈检测：规则、路径特征与图神经网络的归纳式对比
在合成 HR/ERP 图薪资欺诈链接预测中，基于链式连接特征的梯度提升模型整体链接平均精度（AP）达 0.823，优于 GraIL 风格 GNN 的 0.663。其 4-hop AP 达 0.646（GNN 为 0.272），表明多跳收益并非 GNN 独有。但在 40% 标识符连接失败时，实体 GNN 的 AP 达到 0.712，反超提升模型（0.683）。
Story heat trend
Current heat 8·Comparable peak 10（Nov 2 14:00）·Comparable change, last 24 hours–
Trends compare only the same parties observed continuously, so the scope can be narrower than current heat counts. Move the pointer or tap the chart to see hourly heat; use the left and right arrow keys on a keyboard.