3.1.2 机器学习驱动的异常检测（孤立森林、聚类、图神经网络）

文档摘要

3.1.2 机器学习驱动的异常检测（孤立森林、聚类、图神经网络） 3.1.2 机器学习驱动的异常检测（孤立森林、聚类、图神经网络）在税收风险识别体系中，异常检测是挖掘潜在高风险纳税主体的核心手段。传统规则引擎虽能覆盖已知风险模式，却难以应对日益复杂、隐蔽甚至动态演化的逃税行为。此时，机器学习驱动的无监督或半监督异常检测方法便展现出强大的适应性与泛化能力。本节将聚焦于三类主流技术路径——孤立森林（Isolation Forest）、聚类分析（Clustering）与图神经网络（Graph Neural Networks, GNNs），从工程实现角度深入剖析其在税务场景中的部署逻辑、参数调优策略、数据预处理要点及典型陷阱规避方法。一、为何选择无监督？