信息来源：信息学院网站 发布时间：2025-05-20

近日，我院大数据智能可视分析系统研究所青年教师韦淳于与汪云海教授团队论文《Graph Evidential Learning for Anomaly Detection》被数据挖掘领域国际顶级学术会议KDD 2025录用。KDD（Knowledge Discovery and Data Mining）创立于1995年，是数据挖掘和大数据分析领域最具影响力的旗舰会议，也是中国计算机学会（CCF）推荐的A类国际学术会议。该项工作依托中国人民大学-北京金安创世科技有限公司非法金融活动智能监测与可视分析联合实验室开展，针对公安经侦部门实际业务场景中的核心技术难题进行了深入研究，取得了积极成果。

论文题目：Graph Evidential Learning for Anomaly Detection

论文作者：Chunyu Wei, Wenji Hu, Xingjia Hao, Yunhai Wang, Yueguo Chen, Bing Bai, Fei Wang

通讯作者：Yunhai Wang

研究背景：

复杂金融网络中的异常检测是打击经济犯罪和维护金融安全的关键环节。然而，在实战应用中，金融交易网络具有数据规模庞大、异常类型多样、缺乏标注数据等特点，这对传统异常检测方法提出了严峻挑战。特别是在公安经侦部门面对的非法集资、洗钱等复杂金融犯罪案件中，嫌疑人往往通过多层嵌套、分散转账等手段隐藏资金流向，使得异常行为难以被精准识别。针对这些实战痛点，提升无监督场景下资金流异常检测的准确性和鲁棒性具有重要意义。

论文简介：

论文创新性地提出了图证据学习（Graph Evidential Learning，GEL）框架，针对无监督图异常检测中的核心挑战，将传统的基于重构误差的异常检测范式转变为基于不确定性建模的新方法。通过引入证据理论，GEL能够同时量化资金图中的两种关键不确定性：图结构不确定性和重构不确定性，并将它们融入异常评分机制，显著提升了检测效果。实验表明，该方法在公安经侦实际案例数据上表现出色，不仅能够精准识别隐蔽的异常资金流动模式，还具有优异的抗噪声能力，为经侦部门打击非法集资、洗钱等金融犯罪提供了有力的技术支持。

团队与全国多个经侦总队保持长期合作，基于实战案例数据进行联合研究，所提出的方法已在多起复杂经济犯罪案件侦查中得到应用，大幅提升了对隐蔽资金链路的发现能力，将资金分析效率提高了约20倍，为冻结涉案资金提供了关键线索，切实支撑了"科技强警"战略实施。

第一作者简介

韦淳于，中国人民大学信息学院讲师，中国人民大学国家治理大数据和人工智能创新平台研究员, 非法金融活动智能监测与可视分析联合实验室副主任。2019年于清华大学自动化系获学士学位，2024年于清华大学自动化系获博士学位。研究方向为图机器学习与知识增强的大模型，致力于将前沿AI技术应用于国家治理和金融安全领域。

第一学生作者简介

胡文吉，中国人民大学信息学院24级直博一年级学生。

通讯作者简介

汪云海，中国人民大学特聘教授，博士生导师，入选国家级青年人才项目。主要研究方向包括数据可视化、计算机图形学、人机交互、大数据管理与分析等，在IEEE VIS、ACM SIGCHI、ACM SIGMOD、ACM SIGGRAPH (Asia)、ACM TOG、IEEE TVCG、IEEE VR等CCF-A类期刊和会议上发表论文70余篇。长期带领团队与公安经侦部门开展密切合作，致力于解决金融犯罪侦查中的关键技术难题。