金融风险传导、客户关联与交易网络天然具有图结构特征。传统表格模型忽略实体间关联，难以刻画系统性风险。图神经网络（GNN）为这类关系建模提供了统一框架。

2.1　图表示学习

从图卷积（GCN）到图注意力（GAT），节点嵌入逐步具备结构与语义双重表达能力，成为下游任务的通用特征。

2.2　动态图与时空图

金融场景的图随时间演化，动态图神经网络（DYGNN）与时空图模型（STGNN）被用于交易序列与资金流的联合建模。

2.3　可解释性

监管对模型可解释性要求趋严，子图提取与注意力可视化成为落地关键。

现有方法在数据稀疏与对抗鲁棒性上仍存挑战。未来方向包括：引入因果推断以增强稳健性、构建跨机构联邦图以兼顾隐私与效果、以及将大模型与图结构融合。

1. [1] Kipf T, Welling M. Semi-Supervised Classification with GCN[J]. ICLR, 2017.
2. [2] Veličković P, et al. Graph Attention Networks[J]. ICLR, 2018.
3. [3] 陈思, 等. 金融图神经网络研究进展[J]. 金融研究, 2025(4): 88-101.
4. [4] Rossi E, et al. Temporal Graph Networks[J]. NeurIPS-W, 2020.