金融交易網路和蛋白質結構存在共同特徵：它們在歐幾里得（x, y）空間中難以建模，需要透過複雜、大規模且異構的圖結構進行精確編碼和表徵。
圖是表示關係資料的自然結構正規化，特別是在金融網路和蛋白質結構等領域。這類圖能夠捕捉實體間的複雜關係和互動模式，例如金融系統中的賬戶間交易或蛋白質中氨基酸的空間連線與相互作用。然而傳統的深度學習架構（如RNN、CNN和Transformer）在圖結構資料建模方面表現不佳。
目前面臨的核心挑戰在於：如果強行將這些圖對映到三維空間，會遇到以下問題：
- 邊緣資訊的嚴重損失，如分子圖中的鍵型別或交易網路中的交易型別
- 對映過程中必然引入的尺寸失真
- 稀疏資料在三維網格中的低效表示，導致大量計算資源浪費
基於這些侷限性，圖神經網路（Graph Neural Networks, GNNs）應運而生，為複雜網路建模提供了強大的技術正規化。本文將深入探討GNNs在欺詐檢測和生物資訊學領域的應用機制與技術原理。
https://avoid.overfit.cn/post/2ab9d5b611f140f8aa76c35e294769a0