林逸辰 · 反欺诈算法

针对某头部电商平台日均千万级交易行为日志，构建覆盖账户、设备、IP与交易的异构关联图，基于时间窗口加权边采样设计GraphSAGE模型，将离线虚假交易检测AUC从0.84提升至0.92。

使用PyTorch实现异构图采样与分布式训练，通过元路径引导的邻域筛选保留关键关系，使模型单轮训练耗时缩短约35%，支撑每日全量交易图的异常推理。

从原始埋点日志与业务表中通过SQL提取200+维行为特征，构建统计、序列与图结构三类特征工程流水线，将训练集特征覆盖率提升至98%，线上缺省值减少30%。

设计融合局部异常因子的自监督辅助任务，强化对稀疏欺诈团伙的表示能力，离线回溯额外揪出12%的隐蔽可疑账户，线上累计拦截欺诈交易金额超800万元。

开发可解释性分析模块，利用GNNExplainer生成案例级子图解释并输出高风险节点评分，帮助运营人员将欺诈案件平均研判时间从15分钟压缩至6分钟，效率提升60%。

参与消费分期信贷违约预测项目，针对高维行为数据，独立衍生30+维时序统计与交叉特征，基于LightGBM构建基础模型，将验证集AUC从0.82提升至0.88。

设计多模型融合策略，利用XGBoost与CatBoost构建两层Stacking集成，通过5折交叉验证控制过拟合，测试集KS提升至0.32，Top 10%违约人群抓取率达82%。

引入SHAP框架对融合模型进行全局与局部解释，输出可视化报告，帮助风控策略团队定位3个高贡献黑名单规则特征，优化贷前拒绝策略。

将特征工程与模型训练流程封装为模块化Python脚本，支持快速迭代实验，使大规模样本上的推理耗时缩短约40%。

针对社交媒体文本欺诈样本占比不足5%的极度不平衡问题，引入Focal Loss与动态负采样策略微调BERT，将欺诈类召回率从0.52提升至0.71，精确率保持在0.8以上，显著缓解漏检。

基于FreeLB算法为BERT嵌入层注入对抗扰动，实现对抗训练分支，在对抗样本上宏F1提升7个百分点，AUC提高0.06，增强对黑产变体文本的鲁棒性。

构建融合回译、上下文感知词替换与TF-IDF加权的数据增强流水线，生成高质量中文欺诈文本变体，配合SMOTE过采样，将整体宏F1从0.68推升至0.77。

利用SHAP值进行词级可解释性分析，定位并输出高风险关键词词典，辅助规则引擎优化，使线上误报率降低约18%。

作为核心开发者独立负责对抗训练与数据增强模块，累计提交15个Pull Request并被全部合并至主分支，推动项目V2.0发布后社区Star数增长约40%。