DGFraud 是一个基于图神经网络的欺诈检测工具箱，聚焦使用 GNN 识别伪装欺诈者、异常节点和复杂关系网络中的欺诈行为。虽然它不是 2026 年的新项目，但属于图反欺诈方向的经典开源工具之一，包含多个代表性图欺诈检测方法和论文实现，对理解欺诈关系建模仍有参考价值。

金融欺诈往往不是单点行为，而是关系网络：账户之间的转账、设备共用、地址共用、商户关联、手机号关联、IP 关联、推荐关系等。DGFraud 正是从这种网络视角出发，把用户、交易、评论、商户等对象建成图，再用图模型学习异常模式。

• 图神经网络反欺诈工具箱。
• 关注伪装欺诈、异常检测和关系网络识别。
• 对理解图模型在金融风控中的应用有帮助。
• 适合与 AntiFraud 等新项目对比学习。

DGFraud 适合学习图反欺诈的基础概念：节点、边、邻居、同质性、异质图、伪装攻击、异常子图等。银行从业者可以用它建立“欺诈不是孤立交易，而是关系网络”的理解，这对反洗钱、团伙欺诈、账户安全和支付风控都很重要。

• 团伙欺诈识别。
• 账户关联风险发现。
• 反洗钱可疑网络探索。
• 商户、设备、手机号、IP 多关系图建模。
• 图风控学习和算法对比。

DGFraud 更新较早，工程依赖可能需要维护。真实银行图数据规模大、关系复杂、隐私要求高，不能直接套用公开数据实验结果。图模型也可能面临可解释性不足、误伤正常关联客户、实时更新困难等问题。