摘要
关系欺诈检测可以利用无标签的图形上下文和标签导出的邻域证据，但这两种信息源遵循不同的有效性条件。特别是，当查询节点的自身标签或任何验证或测试标签进入其构造时，邻域风险变得无效。我们将这一问题表述为来源约束的关系证据使用，并提出了PREF-Gate，这是一个具有两个固定专家和有限验证门的可审计决策框架。
框架细节
- 上下文专家：使用属性、一跳均值、特征残差和度描述符，而不依赖标签。
- 证据专家：添加自我排除的仅训练标签邻域风险和经验贝叶斯摘要，揭示支持度、不确定性、可用性和收缩性。
在测试推理之前，门控选择专家或三种预设概率混合之一并固定决策阈值。在Amazon、YelpChi和TFinance上，使用五个相同的分层拆分和14种相同协议方法，PREF-Gate获得了平均AUPRC值分别为0.9085、0.8104和0.8913。它在所有Amazon和YelpChi拆分中选择无标签专家，而在所有TFinance拆分中选择证据混合。因此，主要结果是有条件的而非普遍的：标签导出的关系证据只有在保留的验证支持时才有用。该框架将竞争排名性能与明确的标签来源合约、有限选择策略、失败会计和审查预算评估相结合，为图形欺诈检测提供了一个可审计的知识基础决策管道。
博主点评： PREF-Gate通过引入来源约束的概念，显著提升了图形欺诈检测的有效性。其创新的决策框架能够在不同的上下文中动态选择最优证据，展示了在复杂环境下处理数据有效性的潜力。此方法在多个数据集上的优异表现，证明了其在实际应用中的广泛适用性。