技術要約: PREF-Gate

1. 問題定義

本論文は、関係性システムにおける不均衡な決定問題としてのグラフ不正検知を取り扱う。特定された核心的な課題は、関係的エビデンスの妥当性である。グラフのコンテキスト（属性と構造）はラベルフリーであるが、近傍のリスク推定はしばしば観測されたラベルに依存する。著者らは、現在の手法が、自己ループ、グローバルな事前分布、または不適切なデータ分割などを通じて、検証用またはテスト用のラベルが近傍統計の構築に混入することを許容しており、**ラベルのプロベナンス（由来）**を頻繁に侵害していると主張している。

さらに、本論文はエビデンスの信頼性を第二の課題として強調している。多くのラベルによって支持された近傍の不正率は、わずかなラベルによって支持されたものとは大きく異なる。一部のデータセットでは、強力なラベルフリー表現にラベル由来のエビデンスを追加すると、分散を導入し汎化性能を低下させる可能性があるが、固定された融合ポリシーは、データセットの特性に関わらずこの統合を強制してしまう。

目標は、ラベルフリーのコンテキストとトレーニングラベルのみに基づくエビデンスを明示的に分離し、テストの結果がモデル選択やエビデンス構築を導かないようにする、プロベナンス制約付きの関係的エビデンス利用フレームワークを定式化することである。

2. メソドロジー: PREF-Gate

PREF-Gate（検証ゲートによる選択を用いたプロベナンス制約付き関係的エビデンス融合）は、2つの固定されたエキスパートと1つの有限な検証ゲートで構成される、監査可能な決定フレームワークである。

A. 情報境界とプロベナンス

本フレームワークは、厳格なラベルアクセス契約を強制する：

• 属性知識 ($K_X$): ラベルなしで全ての分割で使用可能。
• トレーニング由来の関係的知識 ($K_R$): トレーニングラベル ($T_s$) のみから派生した統計量。
• 決定知識 ($K_D$): 選択に使用される検証スコアであり、$K_R$ を変更することはできない。
• テストラベル: 最終的な指標評価器のみが利用可能。

決定的なことに、近傍のリスク計算には、スムージングによるリークを防ぐために、自己除外（ノードは自身のリスクに寄与できない）およびトレーニングノードに対するleave-one-out prevalenceを採用している。

B. 2つの固定エキスパート

1. ラベルフリー・コンテキスト・エキスパート ($C$):

   • 入力: 生のノード属性、1ホップ近傍平均、絶対特徴残差、ログ次数、およびアイソレーション・インジケーター。
   • モデル: これらの特徴量を用いて学習されたヒストグラム勾配ブースティング分類器。
   • 性質: 純粋に構造および属性に基づいたものであり、ラベル由来のリスクを含まない。

2. エビデンス・コンテキスト・エキスパート ($E$):

   • 入力: $C$ のコンテキストベクトルに、経験的ベイズ（Empirical-Bayes）エビデンスオブジェクトを付加したもの。
   • エビデンスオブジェクト: 生の近傍リスク（適格なトレーニング近傍のみから計算）、経験的ベイズ事後平均および分散、サポート数、可用性、収縮変位（shrinkage displacement）、および適用可能なトレーニング事前分布を含む。
   • モデル: 付加されたベクトルを用いて学習されたExtra-Trees分類器。
   • 性質: 生のリスク、サポート、および不確実性の間の非線形な相互作用を学習する。

C. 有限な検証ゲートによる選択

制約のないアンサンブルの代わりに、PREF-Gateはあらかじめ指定された5つの候補ファミリーを持つ有限なゲートを使用する：

1. コンテキスト・エキスパート ($C$)
2. エビデンス・エキスパート ($E$)
3. 3つの凸結合混合体: $0.25C + 0.75E$, $0.50C + 0.50E$, $0.75C + 0.25E$

選択プロセス:

1. ゲートは、Macro-F1とAUPRCの複合スコアを用いて、これら5つの候補を検証セット上で評価する。
2. 候補固有の閾値が、検証用Macro-F1に基づいて凍結される。
3. 最も高いスコアを持つ候補が選択される。
4. テスト推論: テストセットに対しては、選択された候補の確率のみが生成される。さらなるチューニングは行われない。

この設計により、もしラベル由来のエビデンスが検証データによって支持されない場合（例：AmazonやYelpChi）、システムは強制的な融合によって劣悪な結果を招くのではなく、堅牢なラベルフリー・エキスパートへとフォールバックすることを保証する。

3. 主な貢献

本論文は、主に4つの貢献を主張している：

1. ラベル・プロベナンス契約: 自己除外、leave-one-out事前分布、およびエビデンス構築、検証、テストの間の厳格な分離を強制する、エビデンス構築の定式化。
2. 監査可能な経験的ベイズ・エビデンスオブジェクト: リスクの大きさ、サポート、事後不確実性、可用性、および収縮を単一の率に集約せず、それぞれを区別して保持する表現。
3. 有限な検証ゲートによる決定ルール: ラベル由来のエビデンスが検証によって支持される場合にのみ、それを条件付きで受け入れるメカニズム。これは、エビデンスを固定されたアンサンブルの背後に隠すのではなく、エビデンスを拒絶すべき場合（負のエビデンス）を明示的に露出させる。
4. 厳格な評価: 実行失敗やレビュー予算を明示的に考慮した上で、13のベースライン（最近のICLR 2024の手法を含む）に対して同一の層化分割を用いて評価された完全な決定パイプライン。

4. 実験結果

本手法は、5つの同一な層化40%/20%/40%分割を用いて、Amazon、YelpChi、およびTFinanceで評価された。

• パフォーマンス: PREF-Gateは、正常に完了した全手法の中で最高の平均AUPRCを達成した：
  • Amazon: 0.9085 (対 最良ベースライン 0.8696)
  • YelpChi: 0.8104 (対 最良ベースライン 0.7340)
  • TFinance: 0.8913 (対 最良ベースライン 0.8668)
• 選択挙動:
  • AmazonおよびYelpChiでは、ゲートは5つの分割すべてにおいてラベルフリー・コンテキスト・エキスパートを選択した。エビデンス・エキスパート単体では大幅に性能が低く、混合しても性能が低下した。
  • TFinanceでは、ゲートは5分割中4回で混合体（主に $0.75C + 0.25E$）を選択した。これは、ラベル由来のエビデンスがこの特定のコンテキストにおいてのみ有益であったことを示している。
• 運用メトリクス: PREF-Gateは、ベースラインと比較して優れたPrecision@5%およびRecall@5%を維持しており、ランキングの向上が固定レビュー予算において成果に繋がることを示している。
• 較正（Calibration）: 本論文は、ゲートが識別性を最適化するため、ランキングは強力であるが、確率の較正（ECE）はデータセットによって変動することを注記している。

5. 意義と主張

本論文の中心的な主張は、普遍的ではなく条件的であるということである。すなわち、ラベル由来の関係的エビデンスは、保持された検証データが支持する場合にのみ有用である。

• 普遍的融合の拒絶: 結果は、強力なラベルフリーのグラフ・コンテキストにラベル由来のエビデンスを追加することが、必ずしも有益ではないことを示している。実際、AmazonとYelpChiにおいては、最善の戦略はエビデンス・エキスパートを完全に拒絶することであった。
• 監査可能な決定パイプライン: 本フレームワークは、競争力のあるランキング性能と「ラベル・プロベナンス契約」を組み合わせている。これは有限の選択ポリシーと失敗の計上を提供し、透明性が高く、レビュー可能な不正検知の決定プロセスを提供する。
• 限定的な範囲: 著者らは、得られた利得が同一プロトコルによる完了済みの評価に限定されていることを明示している。彼らは、本手法が普遍的なニューラルアーキテクチャであるとか、将来のあらゆる手法を凌駕すると主張しているのではなく、厳格かつ公平な比較条件下で現在の最先端手法を上回る、堅牢でリークのないベースラインを確立したことを示している。

本論文は、PREF-Gateの価値は、型定義された関係的エビデンスと、強制力のある決定ポリシーを結合できる能力にあると結論付けている。これにより、エビデンスが統計的に妥当であり、データによって支持されている場合にのみ使用されることを保証し、不適切な融合による系統的な分散の導入を防いでいる。