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

Technische Samenvatting: Regel-naar-Data Kennisoverdracht via Optimal Transport voor Zwak Gesuperviseerde Anomaliedetectie op Transactie-grafen

Probleemstelling
Anomaliedetectie in transactie-grafen, met name in Anti-Witwas (AML), staat voor aanzienlijke uitdagingen door het tekort aan hoogwaardige gelabelde data, wat kostbare expert-onderzoeken vereist. Hoewel zwak gesuperviseerde methoden proberen gebruik te maken van door experts gedefinieerde regels of heuristische labels om pseudo-labels voor ongelabelde data te genereren, lijden bestaande benaderingen onder drie fundamentele beperkingen:

1. Verlies van Hiërarchische Structuur: Regels worden vaak gereduceerd tot platte labelingsfuncties, waarbij de hiërarchische beslissingspaden en gedeelde condities die gerelateerde gedragspatronen definiëren, worden genegeerd.
2. Semantische Mismatch: Er bestaat een kloof tussen symbolische, discrete regelrepresentaties en continue, datagedreven embeddings, wat een betrouwbare kennisoverdracht bemoeilijkt.
3. Ruispropagatie: Pseudo-labels gegenereerd uit beperkte en ongebalanceerde gelabelde monsters zijn inherent onzeker. Het behandelen van deze als harde supervisie kan fouten door het leerproces voortplanten.

Methodologie
De auteurs stellen een verenigd zwak gesuperviseerd framework voor dat ontworpen is om de kloof tussen regelgebaseerde kennis en datagedreven representaties te overbruggen en tegelijkertijd ruis te mitigeren. De architectuur bestaat uit een dual-branch ontwerp en een driestaps trainingsproces:

1. Dual-Branch Representatie-leren:

   • Regel-tak (Rule Branch): Een beslisboom wordt getraind op beperkte gelabelde data. In plaats van bladvoorspellingen als geïsoleerde labels te gebruiken, worden de beslissingspaden getransformeerd naar een Regel-grafiek (Rule Graph). In deze grafiek zijn transactieknopen en beslissingsconditieknopen met elkaar verbonden op basis van gedeelde traversatiepaden. Een Graph Neural Network (GNN) met aandachtmechanismen codeert deze grafiek om hiërarchische regel-semantiek te vangen en regel-consistente informatie te aggregeren, wat resulteert in regel-prototypes voor illegale en legale klassen.
   • Data-tak (Data Branch): Ruwe transactiekenmerken worden gecodeerd in dichte embeddings met behulp van een Multi-Layer Perceptron (MLP).

2. Cross-Domain Optimal Transport (OT) Uitlijning:

   • Om de semantische kloof tussen de symbolische regelruimte en de continue dataruimte aan te pakken, gebruikt het framework Optimal Transport.
   • OT stelt zachte correspondenties vast tussen de regel-prototypes (bronverdeling) en transactie-embeddings (doelverdeling) door een kostenmatrix (bijv. Euclidische afstand) te minimaliseren met entropie-regularisatie.
   • Het resulterende transportplan genereert zachte pseudo-labels (waarschijnlijkheidsverdelingen over regeltypen) voor ongelabelde transacties, in plaats van harde binaire toewijzingen.

3. Pseudo-Label Contrastieve Verfijning:

   • Een Cross-Domain Contrastive Learning (CCL) objectief verfijnt de pseudo-labels.
   • Op basis van het OT-transportplan worden hoog-betrouwbare paren (transacties die sterk zijn uitgelijnd met een specifiek regel-prototype) behandeld als positieve paren, terwijl mismatched paren als negatieve paren worden behandeld.
   • De contrastieve loss trekt semantisch consistente regel-data paren dichter bij elkaar in de embedding-ruimte, terwijl ze inconsistente paren uit elkaar duwt, waardoor beslissingsgrenzen worden aangescherpt en de impact van ruisige pseudo-labels wordt verminderd.

Het totale trainingsdoel combineert de cross-entropy loss voor classificatie, de OT loss voor distributie-uitlijning en de contrastieve loss voor representatie-verfijning.

Belangrijkste Bijdragen

• Verenigd Zwak Gesuperviseerd Framework: Het artikel introduceert een dual-branch architectuur die de hiërarchische structuur van regelkennis structureel representeert (via een Regel-grafiek) en gezamenlijk regelgebaseerde en datagedreven representaties leert.
• Regel-naar-Data Kennisoverdrachtsmechanisme: De auteurs ontwikkelen een nieuw mechanisme dat Optimal Transport combineert met Contrastive Learning. Deze aanpak stemt heterogene representatieruimtes af (symbolische regels vs. continue embeddings) om betrouwbare zachte pseudo-labels voor ongelabelde transacties te genereren.
• Empirische Validatie: Uitgebreide experimenten op vier benchmark-datasets (Elliptic, Libra Bank, Reddit en Amazon) demonstreren de effectiviteit, robuustheid en generaliseerbaarheid van het framework over diverse domeinen en grafstructuren.

Experimentele Resultaten
Het voorgestelde model werd geëvalueerd tegen traditionele machine learning modellen (SVM, LSTM, MLP), grafische deep learning methoden (GCN, GIN, GAT, FraudGT) en geavanceerde zwak gesuperviseerde baselines (CPL, BWGNN).

• Prestaties: Het model presteerde consequent beter dan bestaande zwak gesuperviseerde en gesuperviseerde baselines over de vier datasets.
  • Op de Elliptic dataset (zeer ongebalanceerde cryptocurrency-transacties) verbeterde het model de AUC-PRC met 24,7% en de top-10% F1-score met 8,1% ten opzichte van de sterkste baseline (BWGNN).
  • Op de Reddit en Amazon datasets behaalde het model de beste AUC-PRC en kwam het gelijk te staan voor de beste AUC-ROC, precisie en F1-scores.
  • Op de Libra Bank dataset, hoewel feature-gedreven modellen goed presteerden vanwege directe feature-label associaties, bleef het voorgestelde framework competitief en behaalde het een perfecte top-10% recall.
• Ablatie-studies: Experimenten bevestigden dat:
  • Het gebruik van Beslisbomen om hiërarchische regels te genereren superieur is aan willekeurige of platte regelgeneratie.
  • Graph Convolution (specifiek GCN) op de Regel-grafiek cruciaal is voor het vangen van topologische afhankelijkheden.
  • Optimal Transport-uitlijning aanzienlijk beter presteert dan eenvoudige concatenatie of middeling van features.
  • Een gebalanceerde weging van OT en contrastieve losses het beste compromis oplevert tussen distributie-uitlijning en klasse-scheidbaarheid.
• Visualisatie: t-SNE en cosinus-gelijkenis analyses op de Elliptic dataset toonden aan dat, terwijl de Regel-tak de lokale topologie behoudt en de Data-tak discriminatieve kenmerken vangt, de OT-gestuurde fusie deze ruimtes effectief overbrugt, wat leidt tot een robuustere representatie voor illegale transacties.

Betekenis en Claims
Het artikel claimt dat de primaire betekenis ligt in het aanpakken van de "semantische kloof" en het "structurele verlies" dat inherent is aan huidige zwak gesuperviseerde anomaliedetectie. Door de hiërarchische structuur van regels expliciet te modelleren en Optimal Transport te gebruiken om deze zacht uit te lijnen met data-embeddings, stelt het framework betrouwbare kennisoverdracht mogelijk, zelfs onder condities van beperkte supervisie, klasse-onbalans en distributieverschuivingen. De auteurs stellen dat dit ontwerp de robuustheid verbetert in real-world AML-scenario's waar gelabelde data schaars is en witwasstrategieën evolueren. Het werk valideert dat het behoud van regel-semantiek en het uitlijnen van heterogene ruimtes cruciaal zijn voor effectieve grafische anomaliedetectie buiten traditionele financiële domeinen.