ما تكشفه ورقة جديدة حول اكتشاف الاحتيال في الرسوم البيانية عن السر القذر للذكاء الاصطناعي: تسرب التسميات

أصبحت الشبكات العصبية البيانية (GNNs) الأداة المفضلة لاكتشاف الاحتيال في الأنظمة العلائقية، وهي منصات يشارك فيها المستخدمون المحتالون الأجهزة أو المنتجات أو طرق الدفع. المنطق يبدو مباشرًا: إذا كانت معظم جيران عقدة ما محتالين، فمن المحتمل أن تكون العقدة نفسها مشبوهة. لكن ورقة بحثية جديدة تجبر المجال على مواجهة سؤال غير مريح: ماذا لو كانت الإشارة التي نستخدمها ملوثة؟

الورقة بعنوان 'PREF-Gate: دمج الأدلة العلائقية المقيدة بالمصدر مع اختيار البوابة بالتحقق لاكتشاف الاحتيال في الرسوم البيانية'، تأتي من باحثين في جامعة سنترال ساوث وجامعة التكنولوجيا في سيدني. تقدم إطارًا يعامل إحصائيات الجوار ليس كميزات عادية ولكن كمعرفة بنوع المصدر، حيث يجب تتبع مصدر كل إحصائية تسمية والتحقق منها قبل استخدامها.

مشكلة مصدر التسمية

المشكلة الأساسية التي يعالجها PREF-Gate هي شيء يعرفه العديد من الممارسين لكن نادرًا ما يطبقونه: خطوط أنابيب الرسوم البيانية الناقلة عادةً ما تحمل جميع العقد والحواف معًا. عندما يحسب النموذج معدلات الاحتيال في الجوار كميزات، يجب عليه التأكد من عدم تسرب أي تسمية تحقق أو اختبار إلى هذا الحساب، لا من خلال جار، ولا من خلال أولوية عالمية، ولا من خلال حلقة ذاتية على عقدة تدريب.

PREF-Gate يصوغ هذا كحد معرفي ثلاثي المستويات: معرفة السمات (خالية من التسميات)، والمعرفة العلائقية المشتقة من التدريب (الإحصائيات المبنية فقط من تسميات التدريب مع الاستبعاد الذاتي)، ومعرفة القرار (نتائج التحقق والعتبات التي تتحكم في التوجيه ولكن ليس بناء الأدلة). تسميات الاختبار لا تنتمي إلى أي من هذه الفئات.

عندما تضر الأدلة أكثر مما تنفع

يضع الإطار خبيرين ثابتين ضد بعضهما البعض: خبير السياق الخالي من التسميات الذي يستخدم سمات العقدة، ومتوسطات الجيران ذات القفزة الواحدة، وبواقي الميزات، وواصفات الدرجة، وخبير سياق الأدلة الذي يعزز ذلك التمثيل بمخاطر الجوار المحسوبة من تسميات التدريب فقط، بالإضافة إلى ملخصات بايز التجريبية اللاحقة.

ثم تختار البوابة من بين خمسة مرشحين، الخبيرين وثلاثة خلطات محدبة محددة مسبقًا، بناءً على Macro-F1 للتحقق وAUPRC. في مجموعتي بيانات Amazon وYelpChi، تختار البوابة بشكل موحد الخبير الخالي من التسميات عبر جميع التقسيمات الخمسة. خبير الأدلة في الواقع يؤدي بشكل أسوأ، مما يخفض AUPRC بمقدار 0.137 على Amazon و0.217 على YelpChi.

فقط في TFinance، وهو رسم بياني كثيف للمعاملات بنسبة انتشار احتيال 4.58%، يعمل مزيج 75/25 من الخبراء الخاليين من التسميات وأدلة على تحسين AUPRC بمقدار 0.0053 عن خط الأساس الخالي من التسميات وحده. النتيجة ذات دلالة إحصائية على مستوى اختبار t المزدوج (p=0.003) لكنها هامشية من حيث الحجم.

ما يعنيه هذا للمجال

النقد الضمني للورقة للتقييم القياسي لـ GNN واضح: العديد من النتائج المنشورة قد تعكس تسرب تسميات غير معلن بدلاً من التعلم العلائقي الحقيقي. عندما أعاد المؤلفون تشغيل 14 طريقة، بما في ذلك CARE-GNN وPC-GNN وBWGNN وطرق ICLR 2024 PMP وConsisGAD، تحت تقسيمات طبقية متطابقة 40/40/20، تفوقت بوابة PREF-Gate التكيفية على أفضل خط أساس خارجي مكتمل بمقدار 0.0389 AUPRC على Amazon و0.0764 على YelpChi و0.0245 على TFinance.

لكن الرقم الأكثر أهمية قد يكون أن الخبير الخالي من التسميات وحده يهزم كل خط أساس خارجي لـ GNN على Amazon وYelpChi. شجرة معززة مدربة على متوسطات ميزات القفزة الواحدة وبواقيها، بدون تمرير رسائل عصبي، تحقق AUPRC 0.9085 و0.8104 على التوالي، مقابل أفضل درجات خارجية 0.8696 و0.7340.

يشير هذا إلى أنه بالنسبة للعديد من معايير اكتشاف الاحتيال، تعيش الإشارة التمييزية في السمات وخلافها المحلي، وليس في البنية المعقدة التي صُممت GNNs لنمذجتها.

خط أنابيب قرار قابل للتدقيق

يؤكد مؤلفو PREF-Gate أن مساهمتهم ليست بنية عالمية جديدة بل إطار قرار بثلاث خصائص: عقد مصدر تسمية صريح، وتوجيه محدود بالتحقق من البوابة، وسلوك تراجع قابل للتفسير. عندما يفشل خبير الأدلة في تحسين نتائج التحقق، لا يخفي الإطار وراء مجموعة ثابتة، بل يبلغ عن التراجع والسبب.

بالنسبة للنشر التشغيلي، هذه الشفافية مهمة. يمكن لفرق الاحتيال التي تعمل بميزانيات مراجعة محدودة تدقيق بناء الأدلة: يسجل الإطار تجزئة تقسيم التدريب، ولقطة الرسم البياني، ومعلمة تركيز الأدلة، وتتبع درجة المرشح، والعتبة المحددة. إذا انحرف الرسم البياني أو أخر تأخير التسمية الانتشار، يدعم مسار التدقيق تحليل السبب الجذري.

السؤال الأكبر

تثير الورقة سؤالًا يمتد إلى ما هو أبعد من اكتشاف الاحتيال: كم مما نعزوه إلى التعلم العلائقي هو في الواقع حفظ للتسميات المسربة؟ لا يدعي PREF-Gate الإجابة على ذلك بشكل قاطع، لكنه يوفر أداة لطرح السؤال بدقة.

مؤلفوها حريصون على ملاحظة القيود: يستخدم التقييم خمسة تقسيمات فقط لكل مجموعة بيانات، وتحسين استقرار البوابة المخفضة مقارنة بالبوابة الاستكشافية بـ 35 مرشحًا ليس حاسمًا إحصائيًا، والمعايرة، المقاسة بنتيجة Brier وECE، مختلطة، خاصة على YelpChi حيث تصل ECE إلى 0.1077.

ما تقدمه الورقة هو قالب لأنظمة القرار القائمة على المعرفة التي تعامل مصدر الأدلة كاهتمام من الدرجة الأولى. في مجال بحثي تعتمد فيه ادعاءات الحالة الأحدث غالبًا على افتراضات غير مدروسة حول تقسيم البيانات، فإن هذا القالب متأخر.