Rule-to-Data Knowledge Transfer via Optimal Transport for Weakly Supervised Anomaly Detection on Transaction Graphs

Resumen Técnico: Transferencia de Conocimiento de Regla a Dato mediante Transporte Óptimo para la Detección de Anomalías Débilmente Supervisada en Grafos de Transacciones

Planteamiento del Problema
La detección de anomalías en grafos de transacciones, particularmente en el Lavado de Activos (AML), enfrenta desafíos significativos debido a la escasez de datos etiquetados de alta calidad, lo que requiere una costosa investigación experta. Aunque los métodos débilmente supervisados intentan aprovechar las reglas definidas por expertos o etiquetas heurísticas para generar pseudo-etiquetas para datos no etiquetados, los enfoques existentes sufren tres limitaciones fundamentales:

1. Pérdida de Estructura Jerárquica: Las reglas suelen reducirse a funciones de etiquetado planas, ignorando las rutas de decisión jerárquicas y las condiciones compartidas que definen patrones de comportamiento relacionados.
2. Desajuste Semántico: Existe una brecha entre las representaciones de reglas simbólicas y discretas y los incrustaciones (embeddings) de transacciones continuas y basadas en datos, lo que dificulta una transferencia de conocimiento fiable.
3. Propagación de Ruido: Las pseudo-etiquetas generadas a partir de muestras etiquetadas limitadas y desbalanceadas son inherentemente inciertas. Tratar estas etiquetas como supervisión rígida puede propagar errores a lo largo de todo el proceso de aprendizaje.

Metodología
Los autores proponen un marco unificado de supervisión débil diseñado para cerrar la brecha entre el conocimiento basado en reglas y las representaciones basadas en datos, mitigando al mismo tiempo el ruido. La arquitectura consiste en un diseño de doble rama y un proceso de entrenamiento de tres etapas:

1. Aprendizaje de Representación de Doble Rama:

   • Rama de Reglas: Se entrena un árbol de decisión sobre datos etiquetados limitados. En lugar de usar las predicciones de las hojas como etiquetas aisladas, las rutas de decisión se transforman en un Grafo de Reglas. En este grafo, los nodos de transacciones y los nodos de condiciones de decisión se conectan basándose en rutas de recorrido compartidas. Una Red Neuronal de Grafos (GNN) con mecanismos de atención codifica este grafo para capturar la semántica jerárquica de las reglas y agregar información consistente con las reglas, produciendo prototipos de reglas para clases ilícitas y lícitas.
   • Rama de Datos: Las características de las transacciones brutas se codifican en incrustaciones densas utilizando un Perceptrón Multicapa (MLP).

2. Alineación de Transporte Óptimo (OT) entre Dominios Cruzados:

   • Para abordar el desajuste semántico entre el espacio de reglas simbólicas y el espacio de datos continuos, el marco emplea el Transporte Óptimo.
   • El OT establece correspondencias suaves entre los prototipos de reglas (distribución de origen) y las incrustaciones de transacciones (distribución de destino) minimizando una matriz de costo (por ejemplo, distancia euclidiana) con regularización de entropía.
   • El plan de transporte resultante genera pseudo-etiquetas suaves (distribuciones de probabilidad sobre tipos de reglas) para las transacciones no etiquetadas, en lugar de asignaciones binarias rígidas.

3. Refinamiento por Contraste de Pseudo-Etiquetas:

   • Un objetivo de Aprendizaje Contrastivo de Dominio Cruzado (CCL) refina las pseudo-etiquetas.
   • Basándose en el plan de transporte de OT, los pares de alta confianza (transacciones fuertemente alineadas con un prototipo de regla específico) se tratan como pares positivos, mientras que los pares desalineados se tratan como pares negativos.
   • La pérdida contrastiva atrae los pares de regla-dato semánticamente consistentes hacia más cerca en el espacio de incrustación, mientras aleja los inconsistentes, thereby agudizando los límites de decisión y reduciendo el impacto de las pseudo-etiquetas ruidosas.

El objetivo total de entrenamiento combina la pérdida de entropía cruzada para la clasificación, la pérdida de OT para la alineación de la distribución y la pérdida contrastiva para el refinamiento de la representación.

Contribuciones Clave

• Marco de Supervisión Débil Unificado: El artículo introduce una arquitectura de doble rama que representa estructuralmente el conocimiento jerárquico de las reglas (mediante un Grafo de Reglas) y aprende conjuntamente representaciones basadas en reglas y en datos.
• Mecanismo de Transferencia de Conocimiento de Regla a Dato: Los autores desarrollan un mecanismo novedoso que combina el Transporte Óptimo y el Aprendizaje Contrastivo. Este enfoque alinea espacios de representación heterogéneos (reglas simbólicas vs. incrustaciones continuas) para generar pseudo-etiquetas suaves fiables para transacciones no etiquetadas.
• Validación Empírica: Experimentos extensos en cuatro conjuntos de datos de referencia (Elliptic, Libra Bank, Reddit y Amazon) demuestran la efectividad, robustez y generalizabilidad del marco a través de diversos dominios y estructuras de grafos.

Resultados Experimentales
El modelo propuesto fue evaluado frente a modelos tradicionales de aprendizaje automático (SVM, LSTM, MLP), métodos de aprendizaje profundo basados en grafos (GCN, GIN, GAT, FraudGT) y líneas base avanzadas de supervisión débil (CPL, BWGNN).

• Rendimiento: El modelo superó consistentemente a las líneas base existentes de supervisión débil y supervisadas en los cuatro conjuntos de datos.
  • En el conjunto de datos Elliptic (transacciones de criptomonedas altamente desbalanceadas), el modelo mejoró el AUC-PRC en un 24.7% y el F1-score del top-10% en un 8.1% sobre la línea base más fuerte (BWGNN).
  • En los conjuntos de datos Reddit y Amazon, el modelo logró el mejor AUC-PRC y empató con el mejor AUC-ROC, precisión y F1-scores.
  • En el conjunto de datos Libra Bank, aunque los modelos impulsados por características tuvieron un buen desempeño debido a las asociaciones directas entre características y etiquetas, el marco propuesto se mantuvo competitivo, logrando un recall perfecto en el top-10%.
• Estudios de Ablación: Los experimentos confirmaron que:
  • El uso de Árboles de Decisión para generar reglas jerárquicas es superior a la generación de reglas aleatorias o planas.
  • La Convolución de Grafos (específicamente GCN) en el Grafo de Reglas es crítica para capturar dependencias topológicas.
  • La alineación por Transporte Óptimo supera significativamente la simple concatenación o el promedio de características.
  • El peso equilibrado de las pérdidas de OT y contrastiva produce el mejor compromiso entre la alineación de la distribución y la separabilidad de las clases.
• Visualización: Los análisis de t-SNE y similitud de coseno en el conjunto de datos Elliptic mostraron que, mientras la Rama de Reglas preserva la topología local y la Rama de Datos captura características discriminativas, la fusión guiada por OT une eficazmente estos espacios, creando una representación más robusta para las transacciones ilícitas.

Significancia y Reivindicaciones
El artículo afirma que su principal significancia radica en abordar el "desajuste semántico" y la "pérdida estructural" inherentes a la detección de anomalías de supervisión débil actual. Al modelar explícitamente la estructura jerárquica de las reglas y utilizar el Transporte Óptimo para alinear suavemente estas con las incrustaciones de los datos, el marco permite una transferencia de conocimiento fiable incluso bajo condiciones de supervisión limitada, desbalance de clases y cambios de distribución. Los autores aseguran que este diseño mejora la robustez en escenarios reales de AML donde los datos etiquetados son escasos y las estrategias de lavado están evolucionando. El trabajo valida que preservar la semántica de las reglas y alinear espacios heterogéneos son críticos para una detección de anomalías en grafos efectiva más allá de los dominios financieros tradicionales.