لماذا يتفوق أفضل كاشف احتيال بالرسوم البيانية على ثلاثة معايير دون استخدام تسمياته الخاصة

تشترك الشبكات العصبية الرسومية لاكتشاف الاحتيال في افتراض غير معلن: المزيد من المعلومات دائمًا أفضل. إذا كانت جيران عقدة تحمل تسميات، فإن المنطق يقول، فإن تغذية هذه التسميات في النموذج يجب أن تحسن تنبؤاته. قام فريق من جامعة سنترال ساوث وجامعة التكنولوجيا في سيدني ببناء نظام يختبر هذا الافتراض، وعلى اثنين من أصل ثلاثة معايير قياسية، يرفضه.

إطارهم، المسمى PREF-Gate (دمج الأدلة العلائقية المقيدة بالأصل مع اختيار بوابة التحقق)، يحقق متوسط قيم AUPRC تبلغ 0.9085 على Amazon، و0.8104 على YelpChi، و0.8913 على TFinance تحت تقييم صارم بنفس البروتوكول. هذه الأرقام تتفوق على جميع خطوط الأساس الخارجية المكتملة، بما في ذلك طريقتين من ICLR 2024، PMP وConsisGAD، بهوامش تتراوح من 0.0245 إلى 0.4291. المفاجأة ليست أن PREF-Gate يفوز. المفاجأة هي أن تكوينه الفائز على Amazon وYelpChi مطابق لخبير أبسط وخالٍ من التسميات.

خبيران، بوابة واحدة

PREF-Gate يحلل اكتشاف الاحتيال إلى خبيرين ثابتين. خبير السياق الخالي من التسميات يعتمد فقط على سمات العقدة الخام، ومتوسطات الجيران من القفزة الواحدة، والبقايا المطلقة للميزات، ودرجة السجل، ومؤشر العزلة. يدرب مصنف تعزيز التدرج الرسم البياني على هذا التمثيل وينتج احتمال احتيال p^(C).

خبير سياق الأدلة يضيف سبعة أعمدة من الأدلة المستمدة من تسميات التدريب: مخاطر الجوار الخام، والمتوسط والتباين البعدي لبيز التجريبي، وعدد الدعم، وعلم التوفر، وإزاحة الانكماش، وانتشار التدريب. بشكل حاسم، كل تسمية في متجه الأدلة هذا مستمدة حصريًا من مجموعة التدريب، مع استبعاد ذاتي وافتراضات ترك واحد خارج تمنع أي عقدة من تسريب هدفها الخاص. جهاز تصنيف الأشجار الإضافية يتدرب على التمثيل المدمج وينتج p^(E).

بوابة التحقق التكيفية المحدودة تختار بعد ذلك من بين خمسة مرشحين: الخبيران وثلاثة مخاليط محدبة (25/75، 50/50، 75/25). يعتمد الاختيار على درجة تحقق مجمعة من Macro-F1 وAUPRC، ويتم تجميد عتبة قرار المرشح المختار قبل استدلال الاختبار. يتم تحديد وتوثيق خط الأنابيب بأكمله قبل رؤية أي تسمية اختبار.

عندما تؤذي الأدلة

النتيجة الرئيسية هي أن البوابة التكيفية تختار خبير السياق الخالي من التسميات في جميع التقسيمات الخمسة على Amazon وجميع التقسيمات الخمسة على YelpChi. إضافة أدلة تسميات التدريب أنتجت درجة تحقق أسوأ من تركها خارجًا. خبير سياق الأدلة وحده سجل 0.7715 AUPRC على Amazon و0.5932 على YelpChi، أقل بكثير من خبير الخالي من التسميات بـ 0.9085 و0.8104.

"على Amazon وYelpChi، ترفض البوابة الأدلة غير المدعومة المستمدة من التسميات،" يكتب المؤلفون. تأتي متانة الإطار من استعداده لقول لا.

فقط على TFinance قبلت البوابة الأدلة، مختارة مزيج 75/25 من السياق/الأدلة في أربعة تقسيمات ومزيج 25/75 في واحد. تجاوزت AUPRC الناتجة البالغة 0.8913 خبير الخالي من التسميات بـ 0.8860 بهامش متواضع لكنه ثابت إحصائيًا (اختبار t المزدوج p = 0.0030).

لماذا تفشل الأدلة في مجموعتي بيانات وتساعد في واحدة؟ تقدم الورقة ثلاثة تفسيرات. أولاً، قد يكون دعم تسميات التدريب المؤهلة نادرًا، مما يجعل المخاطر المحلية انعكاسًا مشوشًا للأولوية العالمية. ثانيًا، قد يظهر الاحتيال اتصالات غير متجانسة، حيث تكون تسميات الجيران مضللة. ثالثًا، قد يكون التمثيل الخالي من التسميات قد قام بالفعل بتشفير الإشارة التمييزية، بينما تضيف أعمدة الأدلة السبعة تباينًا دون إشارة. نسبة انتشار الاحتيال المنخفضة في TFinance (4.58%) والرسم البياني الطبيعي الكثيف يجعل مخاطر الجوار الواعية بالدعم مكملة حقًا.

ما تكشفه قائمة المقارنة

يستخدم التقييم خمسة تقسيمات متطابقة طبقية 40/20/40 عبر كل طريقة، مع نشر مؤشرات التقسيم الدقيقة وتجزئات SHA256. تتضمن قائمة الطرق الـ 14 خطوط أساس على مستوى الميزات والرسوم البيانية، ومكونات الاجتثاث، وخطوط أساس GNN الراسخة (CARE-GNN، PC-GNN، BWGNN)، وطريقتين من ICLR 2024 (PMP، ConsisGAD).

النتائج لا لبس فيها: عبر كل مقارنة مكتملة، لدى PREF-Gate هوامش إيجابية لمتوسط AUPRC وخمسة انتصارات في التقسيمات المزدوجة. تحدث أكبر الهوامش على YelpChi، حيث يتفوق خبير الخالي من التسميات وحده على CARE-GNN بـ 0.4291 AUPRC وPC-GNN بـ 0.3180. حتى أقرب خط أساس مكتمل، ConsisGAD على Amazon، يتخلف بـ 0.0389 AUPRC.

الورقة شفافة أيضًا بشأن الإخفاقات. لم يتمكن PC-GNN من إكمال TFinance بسبب عدم توافق الطريقة، ولم يتمكن PMP من إكمال TFinance بسبب قيود البنية التحتية (حدود ذاكرة المضيف 14 جيبي بايت). لم يتم استقراء أي أرقام.

المعايرة: المقايضة الخفية

بينما يتصدر PREF-Gate في مقاييس الترتيب ومراجعة الميزانية، فإن معايرته مختلطة. درجات Brier منخفضة على Amazon (0.0165) وTFinance (0.0182)، لكن خطأ المعايرة المتوقع يصل إلى 0.1077 على YelpChi، أسوأ من 0.0515 لـ ConsisGAD. البوابة تحسن للتمييز، وليس للمعايرة؛ لا يتم تركيب معاير بعدي.

"تحفز هذه النتائج نشر معايرة منفصلة،" يلاحظ المؤلفون. يمكن للمنصة تركيب معاير للتحقق فقط بعد تثبيت نموذج الترتيب، لكن ذلك يشكل مكون طريقة إضافي لم يتم تقييمه في هذا المعيار.

قابلية التدقيق كمبدأ تصميم

تصميم PREF-Gate يعطي الأولوية لقابلية التدقيق على التحسين الشامل. يسجل متجه الأدلة ليس فقط معدل مخاطر الجوار، ولكن أيضًا عدد دعمه، وتباينه البعدي، وإزاحة انكماشه، واصفات صريحة للموثوقية. مجموعة المرشحين محدودة ومحددة مسبقًا. الرجوع إلى خبير الخالي من التسميات ليس استثناء طارئًا بل نتيجة محددة.

"قد يسأل المراجع بشكل معقول عما إذا كانت الطريقة التي ترجع إلى خبير داخلي لا تزال طريقة واحدة،" يعترف المؤلفون. إجابتهم هي نعم: قاعدة التوجيه محددة قبل تقييم الاختبار، تمامًا كما أن نقطة التحقق المختارة بالتحقق أو قيمة التنظيم هي ناتج بروتوكول التعلم.

بالنسبة لسير العمل التشغيلي، يتطلب الإطار أن يرافق النموذج المختار تجزئة تقسيم التدريب، ولقطة الرسم البياني، وتركيز الأدلة، وتتبع درجات المرشحين، والعتبة، وسياسة مراجعة الميزانية. تسمح هذه القطع الأثرية بتدقيقات لاحقة تحت تأخير التسمية أو انحراف الرسم البياني.

الآثار المترتبة على أبحاث احتيال الرسوم البيانية

قد تكون أقوى مساهمة للورقة منهجية. من خلال فصل السياق الخالي من التسميات عن الأدلة المستمدة من التسميات وكشف قرارات البوابة، يجبر PREF-Gate المجال على مواجهة سؤال تتجنبه العديد من الأوراق: هل يأتي مكسب الأداء من الشبكات العصبية الرسومية فعليًا من البنية، أم من تسرب التسميات الذي قد تكشفه خطوط الأساس الأكثر دقة؟

يتحول تحويل المتوسط من القفزة الواحدة والبقايا المطلقة إلى مقارن قوي بشكل ملحوظ. "لا تعني النتيجة أن شبكات GNN المتعلمة غير ضرورية بشكل عام،" يكتب المؤلفون. "إنها تظهر أن تمثيل سياق الرسم البياني الشفاف هو مقارن قوي في هذه المعايير الثلاثة ونسب الإشراف. يجب أن تتضمن دراسة عادلة لاحتيال الرسوم البيانية مثل هذا الخط الأساس بدلاً من إرجاع جميع مكاسب الرسم البياني إلى بنية عصبية."

مع الإطار الكامل، وملفات التقسيم، ومحاسبة التنفيذ الموثقة علنًا، يقدم PREF-Gate كلاً من طريقة تنافسية ونموذج لخطوط أنابيب القرار القابلة لتدقيق الأدلة. ما إذا كان المجتمع سيتبنى النموذج، أو سيستمر في التعامل مع مخاطر الجوار المستمدة من التسميات كوجبة مجانية غير مدققة، يبقى سؤالًا مفتوحًا.