隨著金融交易走向數位化與即時化，詐欺行為也由單筆交易轉為多帳戶、具關聯與資金路徑協作的組織型態，傳統僅看單筆特徵的方法難以掌握帳戶關聯與風險擴散。為此，本研究提出結合圖神經網路（Graph Neural Network, GNN）與多模型整合的早期警示架構：以公開交易資料建構交易關聯圖（帳戶為節點、交易為連結），捕捉資金流動與群體金融詐欺結構；建立多種分類模型進行風險推論與評估，並以多數決投票整合結果以降低單一模型偏誤。本研究的關鍵成果呈現方式，是將整合後的風險結果投射到三維球體空間進行視覺化：把每個帳戶（或帳戶群）映射為球面上的點，並以顏色/大小對應風險程度，使高風險樣本在球面上形成的聚集區能被直觀辨識，作為潛在詐欺組織或群聚行為的視覺指標；若點位分散，則可反映風險判斷仍具不確定性，協助後續追查與策略調整。此三維球體視覺化不僅是展示介面，更是用來觀察群聚結構、關聯擴散與多模型一致性的分析工具，讓模型輸出轉化為可解釋、可監控、可決策的風險資訊。最後，結合決策樹、XAI（Explainable Artificial Intelligence）與LLM（Large Language Model）自動生成文字說明，針對球面高風險群聚提供具邏輯的風險解釋，支援風險溝通與決策判讀。

關鍵字詞：金融詐欺、交易關聯圖、圖神經網路（GNN）、三維球面、可解釋性人工智慧（XAI）、大型語言模型（LLM）