📄 Daily Digest

风控日报 — 2026-07-09

📊 原料：44 条相关条目（GitHub 仓库搜索 32 条 / arXiv 12 条全部无关——统一多模态视觉生成 SenseNova-Vision、银河系中心分子区碳同位素比、中性氢强度映射统计建模、3D 语义锚定 ELSA3D、声悬浮机器人数据物理化 AcoustoBots、4D 具身世界模型 RynnWorld-4D、2D 磁场输运物理、遥操作世界模型 RynnWorld-Teleop、6-DoF 视频姿态追踪 ProxyPose、PSL_n(R) Hitchin-Riemann 模空间体积、乳腺钙化分类域适应、量子组合博弈论 / HN 16 条和 Trending 20 条经去重后无风控相关条目入选）。arXiv 数据源连续十九期（06-13→07-09）返回 100% 噪声，累计 330 条全部无关。15 条已在近 1-2 期日报中覆盖（defi-risk-screening、VPN-Detector、marketplace-phaas-tracker、disposable-email [eramitgupta]、ip-fraud-database、perishable-inventory-risk-engine、Sentinel-GRC、payment-channel-guide、phase-rs、quantcore、AI_Fraud_Detection、ITOpsAnalytics、Banking-Fraud-Detection、upi-fraud-gnn、research-blei-e），本轮不重复入选。另有 8 条明显无关或垃圾项目已剔除（BlinkEdge——世界杯 Solana 赌博、panama-crypto-license——加密牌照营销页、ruverif-site——KYC/AML 平台营销页、azurerm_frontdoor_rules_engine——Azure Terraform 模块、shopify-sync——电商库存同步、credit-card-fraud-detection——描述空洞的通用 Notebook、legado-rule——网页数据抓取规则引擎、rulebricks/cli——SaaS 规则引擎 CLI 封装）。

今日高信号

1. TRDGNN — 零泄漏时序 GNN 比特币欺诈检测（zero-leakage temporal GNN）【信号：★★★】

samehHesham/TRDGNN（0★, Jupyter Notebook）是一个零泄漏（zero-leakage）时序图神经网络比特币欺诈检测项目，强调通过系统化实验方法在避免数据泄漏的前提下检测比特币交易欺诈。风控视角：零泄漏 + 时序 GNN 是图欺诈检测的正确工程方法论：(1) 零泄漏的核心性——图数据中的泄漏比表格数据更隐蔽（同一欺诈团伙的交易可能同时出现在训练/测试集中），该项目的 zero-leakage 设计说明作者深刻理解图欺诈检测的评估陷阱，时序切分 + 团伙感知的分割是图数据防泄漏的关键。(2) 时序 GNN 的增量价值——传统 GNN（如 GraphSAGE）在静态图上训练，时序 GNN 引入时间维度，捕获欺诈网络的演化模式（资金从源头→中转→套现的时间序列传播），对洗钱链路检测有直接价值。(3) 比特币场景的图特征——比特币交易图天然有向（UTXO 模型），地址聚类（同一实体的多地址聚合）是图构建的前置步骤，该领域的图构建方法论可迁移至其他区块链 AML。与 反洗钱 的虚拟资产追踪和 反欺诈体系 的 GNN 图算法关联。→ GitHub

2. GraphShield — 可解释 AI 驱动的 AML 检测（GNN + ML + 欺诈网络可视化）【信号：★★★】

leen449/GraphShield（0★, Jupyter Notebook）是一个可解释 AI 驱动的反洗钱检测平台，融合 Graph Neural Networks + Machine Learning + 交互式欺诈网络可视化。风控视角：可解释性 + 可视化是 GNN AML 生产落地的关键桥梁：(1) GNN 用于 AML 的完整闭环——GNN 学习交易网络拓扑识别洗钱模式（分层 layering、套现 integration），GraphShield 将 GNN 推理与可视化结合，使调查员能直观看到欺诈网络的拓扑结构。(2) 可解释 AI 在合规中的必要性——反洗钱监管（如 FATF 建议）要求金融机构对可疑交易报告（STR）提供合理依据，纯黑箱 GNN 无法满足合规要求，可解释 AI 使 GNN 预测可追溯。(3) 交互式网络可视化的调查价值——洗钱调查员需要理解资金流向和实体关系，交互式图可视化（节点=地址/账户，边=交易）比表格输出更适合人工调查，可视化是 GNN 从模型到调查工具的最后一公里。与 反洗钱 的 AML 检测和 模型可解释性 的 GNN 解释关联。→ GitHub

3. transaction-fraud-scoring — 防泄漏容量感知交易欺诈评分（校准模型 + 规则目录 + 异常层 + 成本优先级 + 漂移监控）【信号：★★★】

gbadedata/transaction-fraud-scoring（0★, Python）是一个工程完备的交易欺诈评分系统，架构分层清晰：防泄漏（leakage-safe）+ 容量感知（capacity-aware）+ 校准风险模型（calibrated risk model）+ 规则目录（rule catalogue）+ 异常层（anomaly layer）+ 成本驱动告警优先级（cost-based alert prioritisation）+ 漂移监控（drift monitoring）。风控视角：该项目覆盖了生产欺诈评分系统的全生命周期关键模块：(1) 校准模型（calibration）——欺诈模型的概率输出需要校准（如 Platt scaling / isotonic regression），使风险分可解释为"该交易为欺诈的概率"，未校准的模型输出无法用于阈值决策。(2) 规则 + 模型 + 异常三层架构——规则目录处理确定性风控（黑名单/限额），校准模型处理概率性评分，异常层覆盖 zero-day 欺诈，三层互补是生产系统的标准设计。(3) 成本驱动告警优先级——欺诈运营团队的处理带宽有限，按预期损失（欺诈金额 × 概率）而非单纯概率排序告警，最大化单位人力止损效率。(4) 漂移监控——欺诈模式随时间漂移（攻击者适应防御），模型性能会衰减，漂移监控（PSI/KS 检验）是模型运维的必要环节。与 实时风控引擎 的分层架构和 风控模型 的校准与运维关联。→ GitHub

4. finomaly — 模块化规则 + ML 金融交易异常检测库（open-source Python library）【信号：★★】

Filidetan597/finomaly（1★, Python）是一个模块化、开源的 Python 金融交易异常检测库，同时支持规则方法（rule-based）和机器学习方法（ML-based）。风控视角：规则 + ML 双引擎的模块化库对风控原型开发有实用价值：(1) 规则与 ML 的统一接口——该库将规则方法和 ML 方法封装在统一接口下，风控工程师可快速切换或组合两种方法，降低了从规则原型到 ML 模型的迁移成本。(2) 模块化设计的扩展性——作为库而非应用，finomaly 可嵌入已有风控管道（作为特征提取器或评分模块），模块化设计使自定义规则和模型可插拔。(3) 开源金融异常检测库的生态价值——类似 scikit-learn 对通用 ML 的意义，风控领域缺乏统一的开源工具库，finomaly 的模块化思路值得跟踪其 API 设计和规则/ML 切换机制。与 规则引擎 的规则+模型融合和 风控模型 的异常检测关联。→ GitHub

5. safehands-pharos — AI 金融 Agent 交易前风险引擎（pre-execution risk engine）【信号：★★】

SZtch/safehands-pharos（1★, TypeScript）是一个面向 AI 金融 Agent 的交易前风险引擎，在 AI Agent 执行金融交易前进行风险检查（pre-execution risk check）。风控视角：AI Agent 金融场景的风控前置是全新方向：(1) AI Agent 自主交易的風控新需求——随着 LLM Agent 自主执行金融操作（转账、交易、支付），传统风控在交易执行后检测已不够——Agent 可能在毫秒级完成多笔异常交易，交易前拦截比事后检测更关键。(2) pre-execution 风险引擎的架构——在 Agent 执行链路中插入风险检查层，评估"即将执行的交易是否安全"，这要求低延迟的风控决策（实时规则 + 轻量模型），是 Agent 安全（Agent Safety）与风控的交叉领域。(3) TypeScript 实现的工程意义——大量 AI Agent 框架（LangChain/LangGraph）基于 TS/JS 生态，该风险引擎用 TypeScript 实现可直接集成到 Agent 执行链路中。与 实时风控引擎 的前置拦截和 反欺诈体系 的 Agent 安全关联。→ GitHub

6. ARGUS — 企业级 KYC 文档欺诈检测（物理 + 数字文档篡改识别 / FREUID Challenge 2026）【信号：★★】

mittalpk/ARGUS（0★, Python）是一个企业级 KYC 欺诈检测系统，核心能力：识别物理和数字文档篡改（physical and digital document manipulations），基于 FREUID Challenge 2026 构建。风控视角：文档欺诈检测是 KYC/身份验证的关键防线：(1) 文档篡改的攻击模式——KYC 场景中，攻击者通过物理伪造（打印假证件）、数字篡改（Photoshop 修改身份证号/照片）、深度伪造（合成证件图像）绕过身份验证，文档欺诈检测需要图像分析 + 文本验证 + 元数据检查的多模态方法。(2) FREUID Challenge 的基准价值——FREUID 是文档欺诈检测的竞赛基准，参赛系统在标准化数据集上对比，提供了文档欺诈检测的技术水平参照。(3) 企业级 KYC 系统的工程要求——KYC 系统需要处理多国证件格式、多语言 OCR、高并发文档处理，企业级系统还需审计日志和合规报告，该项目的工程化思路值得参考。与 身份验证 的 KYC 文档审核和 反欺诈体系 的身份欺诈关联。→ GitHub

7. fraud-detection-ml — GNN 反洗钱 + 钱骡账户检测（temporal flow-through scoring + 可解释性层）【信号：★★】

Sudiksha-creator/fraud-detection-ml（0★）是一个基于 GNN 的金融犯罪检测项目（Wipro 实习项目），核心：图神经网络用于 AML 和钱骰账户检测（mule account detection）+ 时序流过评分（temporal flow-through scoring）+ 可解释性层（explainability layer）。风控视角：钱骰账户检测是 AML 的核心场景，GNN + 时序评分 + 可解释性三要素齐全：(1) 钱骰账户（mule account）检测——钱骰账户是洗钱链条的关键节点（接收非法资金→转出→套现），GNN 通过交易网络拓扑识别钱骰账户集群（一个账户接收多源资金后快速转出）。(2) temporal flow-through scoring——时序流过评分量化资金在账户网络中的传播路径和速度（"快进快出"是钱骰账户的典型行为特征），时序维度使 GNN 能区分正常中转和可疑套现。(3) 可解释性层的工程价值——作为 Wipro 企业实习项目，可解释性层的设计反映了企业级 AML 系统的合规需求，GNN 预测需要可解释的依据支持 STR 报告。与 反洗钱 的钱骰检测和 模型可解释性 的 GNN 解释关联。→ GitHub

8. FFraud-com/disposable-email-domains — 蜜罐网络驱动的一次性邮箱拦截列表（207,000+ 域名）【信号：★】

FFraud-com/disposable-email-domains（0★）是一个由蜜罐传感器网络（honeypot sensor network）和全球社区共同维护的一次性邮箱域名拦截列表，收录 207,000+ 一次性/临时邮箱域名，实时刷新，MIT 协议，无 API key 限制。风控视角：蜜罐网络是反欺诈情报采集的基础设施：(1) 蜜罐驱动的情报采集——与传统静态黑名单不同，该项目通过部署蜜罐传感器主动捕获一次性邮箱域名（注册后立即监控其使用），蜜罐方法是反欺诈情报采集的主动策略，可发现新型临时邮箱服务。(2) 一次性邮箱与营销反作弊的关联——一次性邮箱是批量注册、薅羊毛（promotion abuse）、虚假注册的常用工具，拦截列表是注册风控的第一道防线，207k+ 域名的覆盖面显著优于普通黑名单。(3) 开源情报的生态价值——MIT 协议 + 无 API 限制使其可直接集成到注册风控管道，与该组织的 IP 欺诈数据库互补（邮箱 + IP 双维度拦截）。与 身份验证 的注册风控和 反欺诈体系 的情报采集关联。→ GitHub

9. SnifTern.ai — AI 实习欺诈检测平台（虚假招聘识别 + 公司合法性验证）【信号：★】

gilangcowokull/SnifTern.ai（3★, Python/Flask）是一个AI 驱动的实习欺诈检测平台，使用机器学习识别虚假招聘信息并验证公司合法性。风控视角：招聘欺诈是就业场景的风控新领域：(1) 虚假招聘的欺诈模式——虚假实习/招聘常用于骗取求职者个人信息（身份盗用）、收取虚假押金/培训费（直接诈骗）、或作为劳动力剥削的入口，检测需分析招聘信息的文本特征（模糊描述、异常联系方式、公司信息缺失）。(2) 公司合法性验证——通过交叉验证公司注册信息、域名年龄、社媒存在等信号判断公司真实性，是 OSINT（开源情报）在招聘风控的应用。(3) ML + Flask 的轻量架构——Flask 提供轻量 Web 界面，适合快速原型验证，虽然技术深度有限但覆盖了从模型推理到 Web 交互的完整链路。与 反欺诈体系 的场景扩展关联。→ GitHub

技术趋势

行业案例

值得深入