Sintesi Tecnica: PREF-Gate

1. Definizione del Problema

Il documento affronta il rilevamento delle frodi su grafi come un problema decisionale sbilanciato all'interno di sistemi relazionali. Una sfida centrale identificata è la validità dell'evidenza relazionale. Sebbene il contesto del grafo (attributi e struttura) sia privo di etichette (label-free), le stime del rischio di vicinato spesso si basano su etichette osservate. Gli autori sostengono che gli approcci attuali violino frequentemente la provenienza delle etichette (label provenance), permettendo alle etichette di validazione o di test di filtrare nella costruzione delle statistiche di vicinato (ad esempio, tramite self-loop, prior globali o una suddivisione impropria dei dati).

Inoltre, il documento evidenzia l'affidabilità dell'evidenza come un secondo problema. Un tasso di frode nel vicinato supportato da molte etichette differisce significativamente da uno supportato da poche. In alcuni dataset, l'aggiunta di evidenza derivata dalle etichette a una rappresentazione forte priva di etichette può introdurre varianza e ridurre la generalizzazione; tuttavia, le politiche di fusione fisse forzano questa integrazione indipendentemente dalle caratteristiche del dataset.

L'obiettivo è formulare un framework di uso dell'evidenza relazionale vincolato dalla provenienza che separi esplicitamente il contesto privo di etichette dall'evidenza derivata esclusivamente dalle etichette di addestramento, garantendo che i risultati di test non guidino mai la selezione del modello o la costruzione dell'evidenza.

2. Metodologia: PREF-Gate

PREF-Gate (Provenienza-Vincolata con Selezione Mediante Gate di Validazione per la Fusione dell'Evidenza Relazionale) è un framework decisionale audibile composto da due esperti fissi e un gate di validazione finito.

A. Confine Informativo e Provenienza

Il framework impone un rigoroso contratto di accesso alle etichette:

• Conoscenza degli Attributi ($K_X$): Disponibile a tutte le suddivisioni senza etichette.
• Conoscenza Relazionale derivata dall'Addestramento ($K_R$): Statistiche derivate esclusivamente dalle etichette di addestramento ($T_s$).
• Conoscenza Decisionale ($K_D$): Punteggi di validazione utilizzati per la selezione, che non possono alterare $K_R$.
• Etichette di Test: Disponibili solo per il valutatore finale delle metriche.

Fondamentalmente, i calcoli del rischio di vicinato impiegano l'auto-esclusione (un nodo non può contribuire al proprio rischio) e la prevalenza leave-one-out per i nodi di addestramento per prevenire il leakage del target attraverso i priori di smoothing.

B. I Due Esperti Fissi

1. Esperto di Contesto Privo di Etichette ($C$):

   • Input: Attributi grezzi del nodo, medie dei vicini a un salto (one-hop), residui assoluti delle feature, log-grado e un indicatore di isolamento.
   • Modello: Un classificatore di gradient boosting basato su istogrammi addestrato su queste feature.
   • Natura: Puramente strutturale e basata sugli attributi; non contiene rischio derivato dalle etichette.

2. Esperto di Contesto dell'Evidenza ($E$):

   • Input: Il vettore di contesto da $C$ aumentato da un oggetto di evidenza Empirico-Bayesiano.
   • Oggetto di Evidenza: Include il rischio grezzo di vicinato (calcolato solo da vicini di addestramento idonei), la media e la varianza posteriore empirico-bayesiana, il conteggio del supporto, la disponibilità, lo spostamento di contrazione (shrinkage displacement) e la prevalenza di addestramento applicabile.
   • Modello: Un classificatore Extra-Trees addestrato sul vettore aumentato.
   • Natura: Apprende le interazioni non lineari tra rischio grezzo, supporto e incertezza.

C. Selezione Finita Mediante Gate di Validazione

Inveve di un ensemble non vincolato, PREF-Gate utilizza un gate finito con una famiglia di candidati pre-specificata di cinque:

1. Esperto di Contesto ($C$)
2. Esperto di Evidenza ($E$)
3. Tre miscele convesse: $0.25C + 0.75E$, $0.50C + 0.50E$, $0.75C + 0.25E$.

Processo di Selezione:

1. Il gate valuta tutti i cinque candidati sul set di validazione utilizzando un punteggio composito di Macro-F1 e AUPRC.
2. Una soglia specifica per il candidato viene congelata in base alla Macro-F1 di validazione.
3. Il candidato con il punteggio più alto viene selezionato.
4. Inferenza di Test: Solo le probabilità del candidato selezionato vengono generate per il set di test. Non avviene ulteriore ottimizzazione.

Questo design assicura che se l'evidenza derivata dalle etichette non è supportata dai dati di validazione (ad esempio, su Amazon o YelpChi), il sistema ricorra all'esperto robusto privo di etichette anziché forzare una fusione subottimale.

3. Contributi Principali

Il documento rivendica quattro contributi primari:

1. Contratto di Provenienza delle Etichette: Una formalizzazione della costruzione dell'evidenza che impone l'auto-esclusione, i priori leave-one-out e una separazione rigorosa tra costruzione dell'evidenza, validazione e test.
2. Oggetto di Evidenza Empirico-Bayesiano Audibile: Una rappresentazione che mantiene distinti magnitudo del rischio, supporto, incertezza posteriore, disponibilità e contrazione, invece di collassarli in un unico tasso.
3. Regola Decisionale Finita Mediante Gate di Validazione: Un meccanismo che ammette condizionalmente l'evidenza derivata dalle etichette solo quando la validazione la supporta, esponendo esplicitamente l'evidenza negativa (ovvero, quando l'evidenza dovrebbe essere rifiutata) invece di nasconderla dietro un ensemble fisso.
4. Valutazione Rigorosa: Una pipeline decisionale completa valutata sotto identiche suddivisioni stratificate contro 13 baseline (inclusi metodi recenti ICLR 2024) con esplicito conto dei fallimenti di esecuzione e dei budget di revisione.

4. Risultati Sperimentali

Il metodo è stato valutato su Amazon, YelpChi e TFinance utilizzando cinque suddivisioni stratificate identiche 40%/20%/40%.

• Performance: PREF-Gate ha ottenuto il più alto AUPRC medio tra tutti i metodi completati con successo:
  • Amazon: 0.9085 (rispetto al miglior baseline 0.8696)
  • YelpChi: 0.8104 (rispetto al miglior baseline 0.7340)
  • TFinance: 0.8913 (rispetto al miglior baseline 0.8668)
• Comportamento di Selezione:
  • Su Amazon e YelpChi, il gate ha selezionato l'Esperto di Contesto Privo di Etichette in tutte le 5 suddivisioni. L'esperto di evidenza da solo performava significativamente peggio, e mescolarlo riduceva le performance.
  • Su TFinance, il gate ha selezionato una miscela (principalmente $0.75C + 0.25E$) in 4/5 suddivisioni, indicando che l'evidenza derivata dalle etichette era benefica solo in questo specifico contesto.
• Metriche Operative: PREF-Gate ha mantenuto una Precision@5% e una Recall@5% superiori rispetto alle baseline, dimostrando che i guadagni nel ranking si traducono in budget di revisione fissi.
• Calibrazione: Il documento nota che, sebbene il ranking sia forte, la calibrazione della probabilità (ECE) varia per dataset, poiché il gate ottimizza la discriminazione, non la calibrazione.

5. Significato e Rivendicazioni

La rivendicazione centrale del documento è condizionale piuttosto che universale: l'evidenza relazionale derivata dalle etichette è utile solo dove la validazione tenuta fuori (held-out) lo supporta.

• Rifiuto della Fusione Universale: I risultati dimostrano che l'aggiunta di evidenza derivata dalle etichette a un forte contesto di grafo privo di etichette non è automaticamente benefica. Di fatto, su Amazon e YelpChi, la strategia migliore è stata rifiutare completamente l'esperto di evidenza.
• Pipeline Decisionale Audibile: Il framework accoppia una performance di ranking competitiva con un "contratto di provenienza delle etichette" esigibile. Fornisce una politica di selezione finita e un conto dei fallimenti, offrendo un processo decisionale trasparente e revisionabile per il rilevamento delle frodi.
• Ambito Modesto: Gli autori dichiarano esplicitamente che i guadagni sono limitati alla valutazione completata sotto lo stesso protocollo. Non pretendono che il metodo sia un'architettura neurale universale o che superi tutti i possibili metodi futuri, ma piuttosto che stabilisce una baseline robusta e sicura contro il leakage che supera gli attuali metodi allo stato dell'arte in condizioni di confronto rigorose e giuste.

Il documento conclude che il valore di PREF-Gate risiede nella sua capacità di accoppiare l'evidenza relazionale tipizzata con una politica decisionale applicabile, assicurando che l'evidenza venga utilizzata solo quando è statisticamente valida e supportata dai dati, prevenendo così l'introduzione sistematica di varianza attraverso una fusione invalida.