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

Résumé Technique : Transfert de Connaissances des Règles vers les Données via le Transport Optimal pour la Détection d'Anomalies Faiblement Supervisée sur des Graphes de Transactions

Énoncé du Problème
La détection d'anomalies dans les graphes de transactions, particulièrement dans la lutte contre le blanchiment d'argent (AML), fait face à des défis importants dus à la rareté des données étiquetées de haute qualité, ce qui nécessite des investigations d'experts coûteuses. Bien que les méthodes faiblement supervisées tentent d'exploiter des règles définies par des experts ou des étiquettes heuristiques pour générer des pseudo-étiquettes pour les données non étiquetées, les approches existantes souffrent de trois limitations fondamentales :

1. Perte de Structure Hiérarchique : Les règles sont souvent réduites à des fonctions d'étiquetage plates, ignorant les chemins de décision hiérarchiques et les conditions partagées qui définissent des modèles comportementaux apparentés.
2. Décalage Sémantique : Il existe un écart entre les représentations symboliques et discrètes des règles et les plongements (embeddings) de transactions continus et pilotés par les données, rendant le transfert de connaissances fiable difficile.
3. Propagation du Bruit : Les pseudo-étiquettes générées à partir d'échantillons étiquetés limités et déséquilibrés sont intrinsèquement incertaines. Traiter ces données comme une supervision stricte (hard supervision) peut propager des erreurs tout au long du processus d'apprentissage.

Méthodologie
Les auteurs proposent un cadre de travail unifié pour la supervision faible, conçu pour combler l'écart entre les connaissances basées sur les règles et les représentations pilotées par les données tout en atténuant le bruit. L'architecture se compose d'une conception à double branche et d'un processus d'entraînement en trois étapes :

1. Apprentissage de Représentation à Double Branche :

   • Branche de Règles : Un arbre de décision est entraîné sur des données étiquetées limitées. Au lieu d'utiliser les prédictions de feuilles comme des étiquettes isolées, les chemins de décision sont transformés en un Graphe de Règles. Dans ce graphe, les nœuds de transaction et les nœuds de conditions de décision sont connectés en fonction des chemins de traversée partagés. Un réseau de neurones sur graphe (GNN) avec des mécanismes d'attention encode ce graphe pour capturer les sémantiques de règles hiérarchiques et agréger les informations cohérentes avec les règles, produisant des prototypes de règles pour les classes illicites et licites.
   • Branche de Données : Les caractéristiques brutes des transactions sont encodées en plongements denses à l'aide d'un Perceptron Multicouche (MLP).

2. Alignement par Transport Optimal (OT) Cross-Domaine :

   • Pour traiter le décalage sémantique entre l'espace de règles symboliques et l'espace de données continu, le cadre utilise le Transport Optimal.
   • L'OT établit des correspondances souples entre les prototypes de règles (distribution source) et les plongements de transactions (distribution cible) en minimisant une matrice de coût (par exemple, la distance euclidienne) avec une régularisation par entropie.
   • Le plan de transport résultant génère des pseudo-étiquettes souples (distributions de probabilité sur les types de règles) pour les transactions non étiquetées, plutôt que des assignations binaires strictes.

3. Raffinement par Contraste de Pseudo-Étiquettes :

   • Un objectif d'Apprentissage Contrastif Cross-Domaine (CCL) raffine les pseudo-étiquettes.
   • Basé sur le plan de transport de l'OT, les paires à haute confiance (transactions fortement alignées avec un prototype de règle spécifique) sont traitées comme des paires positives, tandis que les paires discordantes sont traitées comme des paires négatives.
   • La perte contrastive rapproche les paires règles-données sémantiquement cohérentes dans l'espace d'embedding, tout en éloignant les paires incohérentes, ce qui permet d'affiner les frontières de décision et de réduire l'impact des pseudo-étiquettes bruitées.

L'objectif d'entraînement total combine la perte d'entropie croisée pour la classification, la perte d'OT pour l'alignement des distributions, et la perte contrastive pour le raffinement de la représentation.

Contributions Clés

• Cadre de Supervision Faible Unifié : Le papier introduit une architecture à double branche qui représente structurellement la connaissance hiérarchique des règles (via un Graphe de Règles) et apprend conjointement des représentations basées sur les règles et pilotées par les données.
• Mécanisme de Transfert de Connaissances de la Règle vers la Donnée : Les auteurs développent un mécanisme novateur combinant le Transport Optimal et l'Apprentissage Contrastif. Cette approche aligne des espaces de représentation hétérogènes (règles symboliques vs plongements continus) pour générer des pseudo-étiquettes souples fiables pour les transactions non étiquetées.
• Validation Empirique : Des expériences approfondies sur quatre jeux de données de référence (Elliptic, Libra Bank, Reddit et Amazon) démontrent l'efficacité, la robustesse et la généralisabilité du cadre à travers divers domaines et structures de graphes.

Résultats Expérimentaux
Le modèle proposé a été évalué par rapport aux modèles traditionnels d'apprentissage automatique (SVM, LSTM, MLP), aux méthodes d'apprentissage profond sur graphes (GCN, GIN, GAT, FraudGT) et aux bases avancées de supervision faible (CPL, BWGNN).

• Performance : Le modèle surpasse systématiquement les bases existantes, qu'elles soient faiblement supervisées ou supervisées, sur les quatre jeux de données.
  • Sur le jeu de données Elliptic (transactions de cryptomonnaies hautement déséquilibrées), le modèle améliore l'AUC-PRC de 24,7 % et le score F1 des 10 % supérieurs de 8,1 % par rapport à la base la plus forte (BWGNN).
  • Sur les jeux de données Reddit et Amazon, le modèle obtient le meilleur AUC-PRC et égale le meilleur AUC-ROC, précision et scores F1.
  • Sur le jeu de données Libra Bank, bien que les modèles pilotés par les caractéristiques soient performants en raison des associations directes entre caractéristiques et étiquettes, le cadre proposé reste compétitif, atteignant un rappel parfait pour les 10 % supérieurs.
• Études d'Ablation : Les expériences ont confirmé que :
  • L'utilisation d'arbres de décision pour générer des règles hiérarchiques est supérieure à la génération de règles aléatoires ou plates.
  • La convolution de graphe (spécifiquement GCN) sur le Graphe de Règles est critique pour capturer les dépendances topologiques.
  • L'alignement par Transport Optimal surpasse significativement la simple concaténation ou la moyenne des caractéristiques.
  • Un équilibrage des poids entre les pertes d'OT et contrastive produit le meilleur compromis entre l'alignement des distributions et la séparabilité des classes.
• Visualisation : Les analyses t-SNE et de similitude cosinus sur le jeu de données Elliptic ont montré que, tandis que la Branche de Règles préserve la topologie locale et la Branche de Données capture des caractéristiques discriminantes, la fusion guidée par l'OT relie efficacement ces espaces, créant une représentation plus robuste pour les transactions illicites.

Signification et Revendications
Le papier affirme que sa principale importance réside dans le traitement du « décalage sémantique » et de la « perte de structure » inhérents à l'actuelle détection d'anomalies faiblement supervisée. En modélisant explicitement la structure hiérarchique des règles et en utilisant le Transport Optimal pour les aligner de manière souple avec les plongements de données, le cadre permet un transfert de connaissances fiable même dans des conditions de supervision limitée, de déséquilibre des classes et de décalages de distribution. Les auteurs soutiennent que cette conception améliore la robustesse dans les scénarios réels de lutte contre le blanchiment d'argent où les données étiquetées sont rares et les stratégies de blanchiment évoluent. Ce travail valide que la préservation de la sémantique des règles et l'alignement des espaces hétérogènes sont critiques pour une détection d'anomalies sur graphes efficace au-delà des domaines financiers traditionnels.