Por qué el mejor detector de fraude en grafos en tres benchmarks no usa sus propias etiquetas

Las redes neuronales de grafos para la detección de fraude comparten una suposición tácita: más información siempre es mejor. Si los vecinos de un nodo llevan etiquetas, el razonamiento dice, alimentar esas etiquetas al modelo debería mejorar sus predicciones. Un equipo de la Universidad Central del Sur y la Universidad de Tecnología de Sidney ha construido un sistema que prueba esa suposición y, en dos de tres benchmarks estándar, la rechaza.

Su marco, llamado PREF-Gate (Fusión de Evidencia Relacional con Restricción de Procedencia y Selección con Puerta de Validación), logra valores medios de AUPRC de 0,9085 en Amazon, 0,8104 en YelpChi y 0,8913 en TFinance bajo una evaluación estricta del mismo protocolo. Estas cifras superan a todas las líneas de base externas completadas, incluidos dos métodos de ICLR 2024, PMP y ConsisGAD, por márgenes que van de 0,0245 a 0,4291. La sorpresa no es que PREF-Gate gane. La sorpresa es que su configuración ganadora en Amazon y YelpChi es idéntica a un experto más simple y sin etiquetas.

Dos expertos, una puerta

PREF-Gate descompone la detección de fraude en dos expertos fijos. El experto de contexto sin etiquetas se basa únicamente en atributos brutos de nodos, medias de vecinos a un salto, residuos absolutos de características, grado logarítmico y un indicador de aislamiento. Entrena un clasificador de potenciación de gradiente de histograma en esta representación y produce una probabilidad de fraude p^(C).

El experto de contexto de evidencia agrega siete columnas de evidencia derivada de etiquetas de entrenamiento: riesgo bruto del vecindario, media y varianza posterior empírica bayesiana, recuento de soporte, indicador de disponibilidad, desplazamiento por contracción y prevalencia de entrenamiento. Crucialmente, cada etiqueta en ese vector de evidencia se extrae exclusivamente del conjunto de entrenamiento, con priores de autoexclusión y de dejar uno fuera que evitan que cualquier nodo filtre su propio objetivo. Un clasificador de Árboles Extra se entrena en la representación concatenada y produce p^(E).

La puerta adaptativa de validación finita luego elige entre cinco candidatos: los dos expertos y tres mezclas convexas (75/25, 50/50, 25/75). La selección se basa en una puntuación combinada de validación de Macro-F1 y AUPRC, y el umbral de decisión del candidato elegido se congela antes de la inferencia de prueba. Todo el pipeline se especifica y registra antes de que se vea cualquier etiqueta de prueba.

Cuando la evidencia perjudica

El resultado principal es que la puerta adaptativa selecciona al experto de contexto sin etiquetas en las cinco divisiones en Amazon y en las cinco divisiones en YelpChi. Agregar evidencia de etiquetas de entrenamiento produjo una puntuación de validación peor que omitirla. El experto de contexto de evidencia solo obtuvo 0,7715 AUPRC en Amazon y 0,5932 en YelpChi, muy por debajo de los 0,9085 y 0,8104 del experto sin etiquetas.

"En Amazon y YelpChi, la puerta rechaza la evidencia derivada de etiquetas no respaldada", escriben los autores. La robustez del marco proviene de su disposición a decir que no.

Solo en TFinance la puerta aceptó evidencia, seleccionando una mezcla 75/25 de contexto/evidencia en cuatro divisiones y una mezcla 25/75 en una. El AUPRC resultante de 0,8913 superó los 0,8860 del experto sin etiquetas por un margen modesto pero estadísticamente consistente (prueba t pareada p = 0,0030).

¿Por qué la evidencia falla en dos conjuntos de datos y ayuda en uno? El artículo ofrece tres explicaciones. Primero, el soporte de etiquetas de entrenamiento elegible puede ser escaso, haciendo que el riesgo local sea un reflejo ruidoso del prior global. Segundo, el fraude puede exhibir conexiones heterófilas, donde las etiquetas de los vecinos son engañosas. Tercero, la representación sin etiquetas puede ya codificar la señal discriminativa, mientras que las siete columnas de evidencia agregan varianza sin señal. La baja prevalencia de fraude de TFinance (4,58%) y su grafo normalizado denso hacen que el riesgo del vecindario basado en soporte sea genuinamente complementario.

Lo que revela el cuadro comparativo

La evaluación utiliza cinco divisiones estratificadas idénticas 40/20/40 en cada método, con índices de división exactos y hashes SHA256 publicados. El cuadro de 14 métodos incluye líneas de base a nivel de características y de grafo, componentes de ablación, líneas de base GNN establecidas (CARE-GNN, PC-GNN, BWGNN) y dos métodos de ICLR 2024 (PMP, ConsisGAD).

Los resultados son inequívocos: en cada comparación completada, PREF-Gate tiene márgenes positivos de AUPRC media y cinco victorias en divisiones pareadas. Los márgenes más grandes ocurren en YelpChi, donde el experto sin etiquetas solo supera a CARE-GNN por 0,4291 AUPRC y a PC-GNN por 0,3180. Incluso la línea de base completada más cercana, ConsisGAD en Amazon, va por detrás por 0,0389 AUPRC.

El artículo también es transparente sobre los fallos. PC-GNN no pudo completar TFinance debido a incompatibilidad de método, y PMP no pudo completar TFinance debido a restricciones de infraestructura (envolvente de memoria de 14 GiB). No se imputan cifras.

Calibración: el equilibrio oculto

Si bien PREF-Gate lidera en métricas de ranking y presupuesto de revisión, su calibración es mixta. Las puntuaciones Brier son bajas en Amazon (0,0165) y TFinance (0,0182), pero el error de calibración esperado alcanza 0,1077 en YelpChi, peor que los 0,0515 de ConsisGAD. La puerta optimiza para la discriminación, no para la calibración; no se ajusta ningún calibrador posterior.

"Estos resultados motivan una calibración de despliegue separada", señalan los autores. Una plataforma podría ajustar un calibrador solo de validación después de que el modelo de ranking esté fijo, pero eso constituye un componente de método adicional no evaluado en este benchmark.

Auditabilidad como principio de diseño

El diseño de PREF-Gate prioriza la auditabilidad sobre la optimización de extremo a extremo. El vector de evidencia registra no solo la tasa de riesgo del vecindario, sino también su recuento de soporte, varianza posterior y desplazamiento por contracción, descriptores explícitos de confiabilidad. El conjunto de candidatos es finito y preespecificado. La caída al experto sin etiquetas no es una excepción de emergencia sino un resultado definido.

"Un revisor podría preguntar razonablemente si un método que recurre a un experto interno sigue siendo un método único", reconocen los autores. Su respuesta es sí: la regla de enrutamiento se especifica antes de la evaluación de prueba, al igual que un punto de control seleccionado por validación o un valor de regularización es un producto del protocolo de aprendizaje.

Para flujos de trabajo operativos, el marco requiere que el hash de la división de entrenamiento, la instantánea del grafo, la concentración de evidencia, el rastro de puntuación de candidatos, el umbral y la política de presupuesto de revisión acompañen al modelo seleccionado. Estos artefactos permiten auditorías posteriores bajo retraso de etiqueta o deriva del grafo.

Implicaciones para la investigación de fraude en grafos

La contribución más fuerte del artículo puede ser metodológica. Al separar el contexto sin etiquetas de la evidencia derivada de etiquetas y exponer las decisiones de la puerta, PREF-Gate obliga al campo a enfrentar una pregunta que muchos artículos evitan: ¿la ganancia de rendimiento de las redes neuronales de grafos proviene realmente de la arquitectura, o de la fuga de etiquetas que líneas de base más cuidadosas revelarían?

La transformación de media de un salto y residual absoluto resulta ser un comparador notablemente fuerte. "El resultado no implica que las GNN aprendidas sean innecesarias en general", escriben los autores. "Muestra que una representación de contexto de grafo transparente es un comparador fuerte en estos tres benchmarks y relaciones de supervisión. Un estudio justo de fraude en grafos debería incluir dicha línea de base en lugar de atribuir todas las ganancias de grafo a una arquitectura neuronal."

Con el marco completo, los archivos de división y el registro de ejecución documentados públicamente, PREF-Gate ofrece tanto un método competitivo como una plantilla para pipelines de decisión auditables en cuanto a evidencia. Si la comunidad adopta la plantilla, o continúa tratando el riesgo del vecindario derivado de etiquetas como un almuerzo gratis no examinado, sigue siendo una pregunta abierta.