Résumé Technique : PREF-Gate

1. Définition du Problème

L'article traite de la détection de fraude sur les graphes en tant que problème de décision déséquilibré au sein de systèmes relationnels. Un défi central identifié est la validité de l'évidence relationnelle. Bien que le contexte du graphe (attributs et structure) soit dépourvu d'étiquettes, les estimations de risque de voisinage reposent souvent sur des étiquettes observées. Les auteurs soutiennent que les approches actuelles violent fréquemment la provenance des étiquettes en permettant aux étiquettes de validation ou de test de fuir dans la construction des statistiques de voisinage (par exemple, via des auto-boucles, des priors globaux ou un fractionnement inapproprié des données).

De plus, l'article souligne la fiabilité de l'évidence comme un second problème. Un taux de fraude de voisinage soutenu par de nombreuses étiquettes diffère considérablement d'un taux soutenu par peu d'entre elles. Dans certains jeux de données, l'ajout d'une évidence dérivée des étiquettes à une représentation sans étiquette forte peut introduire de la variance et réduire la généralisation, pourtant des politiques de fusion fixes forcent cette intégration quel que soit le caractère des jeux de données.

L'objectif est de formuler un cadre d'utilisation d'évidence relationnelle contraint par la provenance qui sépare explicitement le contexte sans étiquette de l'évidence dérivée uniquement des étiquettes d'entraînement, garantissant que les résultats de test ne guident jamais la sélection du modèle ou la construction de l'évidence.

2. Méthodologie : PREF-Gate

PREF-Gate (Fusion d'Évidence Relationnelle Contrainte par la Provenance avec Sélection par Porte de Validation) est un cadre de décision auditable comprenant deux experts fixes et une porte de validation finie.

A. Frontière d'Information et Provenance

Le cadre impose un contrat d'accès aux étiquettes strict :

• Connaissance des Attributs ($K_X$) : Disponible pour toutes les partitions sans étiquettes.
• Connaissance Relationnelle Dérivée de l'Entraînement ($K_R$) : Statistiques dérivées exclusivement des étiquettes d'entraînement ($T_s$).
• Connaissance de Décision ($K_D$) : Scores de validation utilisés pour la sélection, qui ne peuvent pas modifier $K_R$.
• Étiquettes de Test : Disponibles uniquement pour l'évaluateur de métriques final.

Crucialement, les calculs de risque de voisinage emploient l'auto-exclusion (un nœud ne peut pas contribuer à son propre risque) et la prévalence "leave-one-out" pour les nœuds d'entraînement afin d'éviter la fuite de cible par des priors de lissage.

B. Les Deux Experts Fixes

1. Expert de Contexte Sans Étiquette ($C$) :

   • Entrée : Attributs bruts des nœuds, moyennes des voisins à un saut, résidus de caractéristiques absolus, log-degré et un indicateur d'isolement.
   • Modèle : Un classificateur de boosting de gradient par histogramme entraîné sur ces caractéristiques.
   • Nature : Purement structurelle et basée sur les attributs ; ne contient aucun risque dérivé des étiquettes.

2. Expert de Contexte d'Évidence ($E$) :

   • Entrée : Le vecteur de contexte de $C$ augmenté d'un objet d'évidence Bayésien Empirique.
   • Objet d'Évidence : Inclut le risque brut de voisinage (calculé uniquement à partir des voisins éligibles de l'entraînement), la moyenne et la variance postérieures de l'empirique-Bayes, le compte de support, la disponibilité, le déplacement de contraction (shrinkage displacement) et la prévalence d'entraînement applicable.
   • Modèle : Un classificateur Extra-Trees entraîné sur le vecteur augmenté.
   • Nature : Apprend les interactions non linéaires entre le risque brut, le support et l'incertitude.

C. Sélection par Porte de Validation Finie

Au lieu d'un ensemble non contraint, PREF-Gate utilise une porte finie avec une famille de candidats préspécifiée de cinq éléments :

1. Expert de Contexte ($C$)
2. Expert d'Évidence ($E$)
3. Trois mélanges convexes : $0.25C + 0.75E$, $0.50C + 0.50E$, $0.75C + 0.25E$.

Processus de Sélection :

1. La porte évalue tous les cinq candidats sur l'ensemble de validation en utilisant un score composite de Macro-F1 et d'AUPRC.
2. Un seuil spécifique au candidat est gelé basé sur le Macro-F1 de validation.
3. Le candidat ayant le score le plus élevé est sélectionné.
4. Inférence de Test : Seules les probabilités du candidat sélectionné sont générées pour l'ensemble de test. Aucune optimisation supplémentaire n'intervient.

Cette conception garantit que si l'évidence dérivée des étiquettes n'est pas soutenue par les données de validation (par exemple, sur Amazon ou YelpChi), le système revient à l'expert robuste sans étiquette plutôt que de forcer une fusion sous-optimale.

3. Principales Contributions

L'article revendique quatre contributions principales :

1. Contrat de Provenance des Étiquettes : Une formalisation de la construction de l'évidence qui impose l'auto-exclusion, les priors "leave-one-out" et une séparation stricte entre la construction de l'évidence, la validation et le test.
2. Objet d'Évidence Bayésien Empirique Auditable : Une représentation qui maintient la magnitude du risque, le support, l'incertitude postérieure, la disponibilité et la contraction de manière distincte, plutôt que de les réduire en un seul taux.
3. Règle de Décision par Porte de Validation Finie : Un mécanisme qui admet conditionnellement l'évidence dérivée des étiquettes uniquement lorsque la validation le soutient, exposant explicitement l'évidence négative (c'est-à-dire quand l'évidence devrait être rejetée) plutôt que de la cacher derrière un ensemble fixe.
4. Évaluation Rigoureuse : Un pipeline de décision complet évalué sous des séparations stratifiées identiques contre 13 baselines (incluant des méthodes récentes d'ICLR 2024) avec une comptabilisation explicite des échecs d'exécution et des budgets de révision.

4. Résultats Expérimentaux

La méthode a été évaluée sur Amazon, YelpChi et TFinance en utilisant cinq partitions stratifiées identiques de 40%/20%/40%.

• Performance : PREF-Gate a obtenu la moyenne d'AUPRC la plus élevée parmi toutes les méthodes ayant terminé avec succès :
  • Amazon : 0.9085 (contre 0.8696 pour la meilleure baseline)
  • YelpChi : 0.8104 (contre 0.7340 pour la meilleure baseline)
  • TFinance : 0.8913 (contre 0.8668 pour la meilleure baseline)
• Comportement de Sélection :
  • Sur Amazon et YelpChi, la porte a sélectionné l'Expert de Contexte Sans Étiquette dans les 5 partitions. L'expert d'évidence seul performait nettement moins bien, et le mélanger réduisait la performance.
  • Sur TFinance, la porte a sélectionné un mélange (principalement $0.75C + 0.25E$) dans 4/5 des cas, indiquant que l'évidence dérivée des étiquettes était bénéfique uniquement dans ce contexte spécifique.
• Métriques Opérationnelles : PREF-Gate a maintenu une Précision@5% et un Rappel@5% supérieurs par rapport aux baselines, démontant que les gains de classement se traduisent par des budgets de révision fixes.
• Calibration : L'article note que bien que le classement soit fort, la calibration de probabilité (ECE) varie selon le jeu de données, car la porte optimise la discrimination, pas la calibration.

5. Signification et Revendications

La revendication centrale de l'article est conditionnelle plutôt qu'universelle : l'évidence relationnelle dérivée des étiquettes n'est utile que là où la validation hors échantillon le soutient.

• Rejet de la Fusion Universelle : Les résultats démontrent que l'ajout d'une évidence relationnelle dérivée des étiquettes à un contexte de graphe sans étiquette fort n'est pas automatiquement bénéfique. En fait, sur Amazon et YelpChi, la meilleure stratégie était de rejeter complètement l'expert d'évidence.
• Pipeline de Décision Auditable : Le cadre couple une performance de classement compétitive avec un "contrat de provenance des étiquettes" exécutoire. Il fournit une politique de sélection finie et une comptabilisation des échecs, offrant un processus de décision transparent et révisable pour la détection de fraude.
• Portée Modeste : Les auteurs déclarent explicitement que les gains sont limités à l'évaluation sous protocole identique. Ils ne prétendent pas que la méthode est une architecture neuronale universelle ou qu'elle surpasse toutes les méthodes futures possibles, mais qu'elle établit une base robuste et exempte de fuites qui surpasse les méthodes de l'état de l'art actuel sous des conditions de comparaison strictes et équitables.

L'article conclut que la valeur de PREF-Gate réside dans sa capacité à coupler une évidence relationnelle typée avec une politique de décision exécutoire, garantissant que l'évidence n'est utilisée que lorsqu'elle est statistiquement valide et soutenue par les données, évitant ainsi l'introduction systématique de variance par une fusion invalide.