Rule-to-Data Knowledge Transfer via Optimal Transport for Weakly Supervised Anomaly Detection on Transaction Graphs
本文提出了一种用于交易图异常检测的弱监督框架，该框架利用最优传输将源自决策树的分层规则语义与连续交易表示进行对齐，从而生成高质量的伪标签，并在基准数据集上优于现有的基线方法。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
核心问题：在好人海洋中寻找坏人
想象你是一位试图阻止洗钱行为的银行经理。你拥有一个包含数百万笔交易的海量账本。其中绝大多数都是正常的（好人），但极小极小的比例是违法的（坏人）。
问题在于，你并没有一份关于谁是坏人的名单。为了找到他们，你通常需要聘请昂贵的人类专家来进行调查和标注。由于你无法负担检查每一笔交易的成本，因此你用来学习的“已确认坏人”样本非常稀少。
为了解决这个问题，银行会使用规则（例如：“如果一笔交易金额超过 10,000 美元且发生在凌晨 3 点，则标记为异常”）。但这些规则是混乱的。它们通常被写成简单的“如果-那么”语句列表，并且并不总是能匹配现实世界数据中复杂的、连续的模式。如果你只是盲目地信任这些规则来标注新的交易，你可能会得到大量的误报，或者漏掉真正的罪犯。
解决方案：规则与数据之间的“翻译官”
作者提出了一种新的系统，它扮演着翻译官和教练的角色。他们称之为“从规则到数据的知识迁移”（Rule-to-Data Knowledge Transfer）。
你可以将其看作是一个三阶段的过程，旨在教会计算机如何在不需要完整犯罪名单的情况下识别欺诈。
第一阶段：构建两个不同的“大脑”
该系统创建了两种观察数据的不同方式：
- 规则大脑（侦探）：
- 想象一位只了解官方规则手册的侦探。他观察一笔交易并询问：“这符合‘如果-那么’的逻辑吗？”
- 这位侦探不仅仅是简单地说“是/否”，他还会构建一个规则图（Rule Graph）。你可以把它想象成规则的家族树。他理解“高额度”和“深夜时间”是经常同时出现的关联条件。他使用一种特殊的神经网络（GNN）来理解这些规则是如何相互连接的，从而保留了逻辑的“层级结构”。
- 数据大脑（观察者）：
- 想象另一个完全忽略规则手册，只观察交易中的原始数字和模式的观察者。这个观察者使用标准的 AI（MLP）来根据数据本身学习什么是“正常”的交易。
第二阶段：“最优传输”媒人
现在我们有了两个说着不同语言的大脑。规则大脑说的是“逻辑树”，而数据大脑说的是“数字”。它们彼此无法理解。
论文引入了最优传输（Optimal Transport, OT）作为媒人。
- 想象你有一堆“规则簇”（相似规则的集合）和一堆“交易簇”（相似数据的集合）。
- 媒人的工作是找出哪一个规则簇与哪一个交易簇最匹配，且所需的“努力”（或成本）最小。
- 它不仅仅是给一笔交易贴上标签。相反，它创建了一种软连接。它会说：“这笔交易有 80% 看起来像‘高风险’规则组，有 20% 看起来像‘安全’规则组。”这使得系统能够为未标记的交易生成伪标签（pseudo-labels，即经过教育的猜测），而不会过于僵化。
第三：“对比式”教练
即使有了媒人，猜想可能仍然会有噪声或不确定性。因此，系统通过对比学习（Contrastive Learning）加入了一位教练。
- 想象一位健身教练。如果两笔交易都被匹配到了同一个“高风险”规则组，教练会大喊：“你们两个很相似！站近一点！”
- 如果一笔交易被匹配到“高风险”，而另一笔被匹配到“安全”，教练会大喊：“你们两个完全不同！离远一点！”
- 这个过程精炼了猜想。它将“疑似欺诈”的交易拉向基于规则的欺诈定义，并将“疑似安全”的交易推开。这清理了噪声，使最终的决策更加精准。
为什么这种方法更好
作者在四种不同类型的网络上测试了该方法：比特币交易、银行转账、社交媒体帖子和在线购物。
- 旧方法： 仅仅将规则作为硬标签（好/坏）使用，或者仅仅观察数据。这通常会失败，因为规则太僵化，而数据太混乱。
- 新方法： 通过保留规则的结构（“规则图”）并使用媒人（最优传输）将它们与数据进行温和的对齐，该系统能更好地学习识别欺诈。
实验结果
论文声称，该方法在这些测试中击败了几乎所有现有的方法（包括标准 AI 模型和其他“弱监督”方法）。
- 它发现了更多的实际欺诈案例（更高的召回率/Recall）。
- 它在标记无辜人员时犯的错误更少（更高的精确度/Precision）。
- 即使在数据极度不平衡（即 99% 的交易是安全的，只有 1% 是坏的）的情况下，它依然表现出色。
总结
简而言之，这篇论文构建了一个既不盲从规则、也不盲信数据的系统。相反，它：
- 尊重专家规则的结构（类似于侦探的逻辑树）。
- 翻译这些规则，利用数学“媒人”（最优传输）将其转化为数据的语言。
- 训练系统让相似的事物聚拢，让不同的事物分离（对比学习）。
这使得银行即使在没有完美的犯罪名单时，也能更有效地抓捕洗钱者。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。