Resumo Técnico: PREF-Gate

1. Definição do Problema

O artigo aborda a detecção de fraude em grafos como um problema de decisão desbalanceado dentro de sistemas relacionais. Um desafio central identificado é a validade da evidência relacional. Embora o contexto do grafo (atributos e estrutura) seja livre de rótulos, as estimativas de risco de vizinhança frequentemente dependem de rótulos observados. Os autores argumentam que as abordagens atuais frequentemente violam a proveniência do rótulo ao permitir que rótulos de validação ou teste vazem na construção de estatísticas de vizinhança (por exemplo, via auto-loops, priors globais ou divisão imprópria de dados).

Além disso, o artigo destaca a confiabilidade da evidência como um segundo problema. Uma taxa de fraude de vizinhança sustentada por muitos rótulos difere significamente de uma sustentada por poucos. Em alguns conjuntos de dados, adicionar evidência derivada de rótulos a uma representação forte livre de rótulos pode introduzir variância e reduzir a generalização, contudo, políticas de fusão fixas forçam essa integração independentemente das características do conjunto de dados.

O objetivo é formular um framework de uso de evidência relacional com restrição de proveniência que separe explicitamente o contexto livre de rótulos da evidência derivada apenas de treinamento, garantindo que os resultados de teste nunca guiem a seleção do modelo ou a construção da evidência.

2. Metodologia: PREF-Gate

PREF-Gate (Fusão de Evidência Relacional com Restrição de Proveniência e Seleção via Portão de Validação) é um framework de decisão auditável que compreende dois especialistas fixos e um portão de validação finito.

A. Fronteira de Informação e Proveniência

O framework impõe um rigoroso contrato de acesso a rótulos:

• Conhecimento de Atributos ($K_X$): Disponível para todas as divisões sem rótulos.
• Conhecimento Relacional Derivado de Treinamento ($K_R$): Estatísticas derivadas exclusivamente de rótulos de treinamento ($T_s$).
• Conhecimento de Decisão ($K_D$): Scores de validação usados para seleção, que não podem alterar o $K_R$.
• Rótulos de Teste: Disponíveis apenas para o avaliador final de métricas.

Crucialmente, os cálculos de risco de vizinhança empregam auto-exclusão (um nó não pode contribuir para seu próprio risco) e prevalência leave-one-out para nós de treinamento para evitar vazamento de alvo através de priors de suavização.

B. Os Dois Especialistas Fixos

1. Especialista de Contexto Livre de Rótulos ($C$):

   • Entrada: Atributos brutos do nó, médias de vizinhos de um salto (one-hop), resíduos absolutos de atributos, log-grau e um indicador de isolamento.
   • Modelo: Um classificador de gradient-boosting de histograma treinado nestes atributos.
   • Natureza: Puramente estrutural e baseado em atributos; não contém risco derivado de rótulos.

2. Especialista de Contexto de Evidência ($E$):

   • Entrada: O vetor de contexto de $C$ aumentado com um objeto de evidência Empírico-Bayesiano.
   • Objeto de Evidência: Inclui risco bruto de vizinhança (computado apenas de vizinhos de treinamento elegíveis), média e variância posterior Empírico-Bayesiana, contagem de suporte, disponibilidade, deslocamento de contração (shrinkage displacement) e prevalência de treinamento aplicável.
   • Modelo: Um classificador de Extra-Trees treinado no vetor aumentado.
   • Natureza: Aprende interações não lineares entre risco bruto, suporte e incerteza.

C. Seleção via Portão de Validação Finito

Em vez de um ensemble sem restrições, o PREF-Gate utiliza um portão finito com uma família de candidatos pré-especificada de cinco:

1. Especialista de Contexto ($C$)
2. Especialista de Evidência ($E$)
3. Três misturas convexas: $0.25C + 0.75E$, $0.50C + 0.50E$, $0.75C + 0.25E$.

Processo de Seleção:

1. O portão avalia todos os cinco candidatos no conjunto de validação usando uma pontuação composta de Macro-F1 e AUPRC.
2. Um limiar específico para cada candidato é congelado com base no Macro-F1 de validação.
3. O candidato com a maior pontuação é selecionado.
4. Inferência de Teste: Apenas as probabilidades do candidato selecionado são geradas para o conjunto de teste. Nenhuma outra sintonia ocorre.

Este design garante que, se a evidência derivada de rótulos não for suportada pelos dados de validação (por exemplo, no Amazon ou YelpChi), o sistema retorne ao especialista robusto livre de rótulos, em vez de forçar uma fusão suboptimal.

3. Principais Contribuições

O artigo reivindica quatro contribuições primárias:

1. Contrato de Proveniência de Rótulo: Uma formalização da construção de evidência que impõe auto-exclusão, priors leave-one-out e separação estrita entre construção de evidência, validação e teste.
2. Objeto de Evidência Empírico-Bayesiano Auditável: Uma representação que mantém a magnitude do risco, suporte, incerteza posterior, disponibilidade e contração distintos, em vez de colapsá-los em uma única taxa.
3. Regra de Decisão de Portão de Validação Finito: Um mecanismo que admite condicionalmente a evidência derivada de rótulos apenas quando a validação a suporta, expondo explicitamente a evidência negativa (ou seja, quando a evidência deve ser rejeitada) em vez de escondê-la atrás de um ensemble fixo.
4. Avaliação Rigorosa: Um pipeline de decisão completo avaliado sob divisões estratificadas idênticas contra 13 baselines (incluindo métodos recentes do ICLR 2024) com prestação de contas explícita de falhas de execução e orçamentos de revisão.

4. Resultados Experimentais

O método foi avaliado no Amazon, YelpChi e TFinance usando cinco divisões estratificadas idênticas de 40%/20%/40%.

• Desempenho: O PREF-Gate alcançou a maior média de AUPRC entre todos os métodos concluídos com sucesso:
  • Amazon: 0.9085 (vs. melhor baseline 0.8696)
  • YelpChi: 0.8104 (vs. melhor baseline 0.7340)
  • TFinance: 0.8913 (vs. melhor baseline 0.8668)
• Comportamento de Seleção:
  • No Amazon e YelpChi, o portão selecionou o Especialista de Contexto Livre de Rótulos em todas as 5 divisões. O especialista de evidência sozinho performou significativamente pior, e a mistura reduziu o desempenho.
  • No TFinance, o portão selecionou uma mistura (principalmente $0.75C + 0.25E$) em 4/5 divisões, indicando que a evidência derivada de rótulos foi benéfica apenas neste contexto específico.
• Métricas Operacionais: O PREF-Gate manteve Precision@5% e Recall@5% superiores em comparação aos baselines, demonstrando que os ganhos de ranking se traduzem em orçamentos de revisão fixos.
• Calibração: O artigo observa que, embora o ranking seja forte, a calibração de probabilidade (ECE) varia por conjunto de dados, pois o portão otimiza a discriminação, não a calibração.

5. Significância e Alegações

A alegação central do artigo é condicional, não universal: a evidência relacional derivada de rótulos é útil apenas onde a validação mantida fora (held-out) a suporta.

• Rejeição da Fusão Universal: Os resultados demonstram que adicionar evidência relacional derivada de rótulos a um contexto de grafo forte livre de rótulos não é automaticamente benéfico. De fato, no Amazon e YelpChi, a melhor estratégia foi rejeitar completamente o especialista de evidência.
• Pipeline de Decisão Auditável: O framework acopla um desempenho de ranking competitivo com um "contrato de proveniência de rótulo" aplicável. Ele fornece uma política de seleção finita e prestação de contas de falhas, oferecendo um processo de decisão transparente e revisável para detecção de fraude.
• Escopo Modesto: Os autores afirmam explicitamente que os ganhos são limitados à avaliação de protocolo idêntico concluída. Eles não alegam que o método é uma arquitetura neural universal ou que supera todos os possíveis métodos futuros, mas sim que estabelece um baseline robusto e livre de vazamento que supera os métodos atuais de estado da arte sob condições de comparação rigorosas e justas.

O artigo conclui que o valor do PREF-Gate reside em sua capacidade de acoplar evidência relacional tipada com uma política de decisão aplicável, garantindo que a evidência seja usada apenas quando for estatisticamente válida e suportada pelos dados, evitando assim a introdução sistemática de variância através de uma fusão inválida.