面向图欺诈检测的溯源约束关系证据融合与验证门控选择方法
本发明属于图数据挖掘领域,具体涉及一种面向图欺诈检测的溯源约束关系证据融合与验证门控选择方法。
背景技术:
1、欺诈检测是嵌入关系系统中的类别不平衡决策问题,各类互联网、金融平台仅可核验少量用户、评论及交易样本,而欺诈实体普遍存在设备共享、交易关联、结构模式相似等关联特征,此类关系特征可提供实体自身属性无法覆盖的上下文信息。图神经网络是当前挖掘图结构关联、实现欺诈检测的主流技术,可有效学习节点与拓扑的关联依赖关系。
2、现有图欺诈检测技术存在两大核心缺陷,严重制约模型检测精度与工程可审计性。第一,证据溯源不规范、信息边界混乱。现有方法未严格区分无标签图上下文信息与标签推导邻域证据的有效性边界,当验证集、测试集标签泄露至邻域风险构造、模型训练过程时,会产生信息泄露问题,导致模型预测风险失效,无法满足科研严谨性与工业落地审计要求。同时常规图学习流程全局加载节点与边数据,未在证据算子层面设置信息隔离边界,仅依靠数据划分规则规避泄露,防护效果极差。
3、第二,关系证据可靠性自适应能力缺失。现有技术多采用固定融合策略融合节点属性与邻域标签证据,无法适配差异化数据集场景。部分数据集的原始节点属性与无标签邻域特征已具备充足判别能力,强行融合标签证据会引入冗余方差、降低模型泛化能力;而部分数据集可通过训练标签邻域证据补充判别信息。固定融合策略无法自适应筛选有效证据,无法兼顾不同业务场景的检测需求。
4、此外,现有主流基线模型包括care-gnn、pc-gnn、bwgnn、pmp、consisgad等,均未构建标准化、可复现的统一评估协议,存在数据划分不统一、测试集提前参与训练、实验失败数据随意插补等问题,模型对比公平性差,且普遍缺乏全链路审计溯源机制,无法适配工业场景的审核预算约束与合规校验需求,因此,针对上述问题需要进行改进。
技术实现思路
1、本发明旨在克服现有技术中标签信息泄露、关系证据融合僵化、模型可解释性与可审计性差、评估标准不统一的缺陷,提出一种面向图欺诈检测的溯源约束关系证据融合与验证门控选择方案,本发明通过构建严格的标签溯源约束契约、双专家解耦建模架构、有限候选验证门控自适应筛选机制,实现关系证据的合规、有效、自适应融合,同时建立标准化可复现评估与全链路审计体系,显著提升图欺诈检测的精度、稳定性与工程落地合规性。
2、为实现以上发明目的,本发明提供一种面向图欺诈检测的溯源约束关系证据融合与验证门控选择方法,包括以下步骤:
3、s1、输入待检测图数据并执行图归一化处理,得到归一化同质图;
4、所述待检测图记为,
5、为节点集合、为边集合、为节点特征矩阵;
6、所述图归一化处理包括:删除重复双向边、为每个节点插入自环、缺失特征填充0、无穷特征值裁剪为固定有限哨兵值。
7、s2、基于归一化同质图构造无标签上下文专家特征向量,训练无标签上下文分类器;所述无标签上下文专家仅使用节点属性与图拓扑结构,全程不引入任何训练、验证、测试标签。
8、进一步地,无标签上下文特征向量构造公式为:
9、
10、其中,为节点原始特征,为节点一跳邻居特征均值,为节点度数,为指示函数;
11、所述无标签上下文分类器采用直方图梯度提升树,超参数预先固定:迭代次数180、学习率 0.05、最大叶节点 31、l2 正则系数 1.0、类别权重 balanced,随机种子绑定数据划分种子。
12、s3、依据标签溯源约束契约,仅采用训练集标签,且排除目标节点自身,构建经验贝叶斯证据向量;融合无标签上下文特征与证据向量得到证据上下文特征,训练证据上下文分类器。
13、所述标签溯源约束契约满足:合格标记邻域,
14、为训练节点集合、为节点一跳邻居;训练节点采用留一法计算训练集欺诈率,验证集、测试集标签禁止参与邻域风险、证据向量的全部计算过程。
15、本步骤具体实现过程为:
16、s31、统计合格邻域支持度、邻域欺诈样本数,为节点二元欺诈标签;计算原始邻域风险与平滑邻域风险,为对应训练集留一欺诈率或全局训练欺诈率。
17、s32、基于训练集节点通过矩估计计算贝塔分布集中度,裁剪至区间,训练样本不足 2 个时采用回退集中度 12;
18、基于集中度计算节点专属先验形状参数、,为集中度。
19、s33、计算贝叶斯后验均值、后验方差。
20、s34、拼接得到 7 维证据向量:;其中为收缩位移,表征后验对原始邻域风险的修正幅度。
21、s35、拼接无标签上下文特征与证据向量得到,
22、基于训练集训练 extra-trees分类器,
23、超参数预先固定:树数量 200、最小叶节点 10、类别权重 balanced,随机种子绑定划分种子。
24、s4、构建预设有限候选概率族,所述候选族仅包含两类专家输出概率与三组固定权重混合概率,共5个候选:
25、,
26、为无标签上下文分类器输出概率,为证据上下文分类器输出概率。
27、s5、基于验证集执行自适应门控筛选:针对每个候选,以验证集 macro-f1 最优为目标求解专属决策阈值;
28、计算综合门控得分,
29、为验证节点集合;依据从高至低排序候选,冻结最优候选与对应阈值。
30、其中,候选平局处理规则为:当多个候选综合门控得分相等时,依次对比验证集auprc、验证集macro-f1、候选预设编号确定最优候选;全部专家定义、混合权重、评分公式、阈值求解规则、平局规则在验证集筛选前预先固定,不随验证结果动态调整。
31、本发明自适应门控为保守缩减式门控,舍弃包含35个候选的全量探索门控,仅保留5个候选;所述5个候选仅用于验证单一核心机制问题:仅训练标签生成的邻域证据是否能够提升无标签图上下文模型性能;当验证集指标不支持证据增益时,门控自动回退选择纯无标签上下文专家作为最终预测器。
32、s6、仅生成最优候选对应的测试集预测概率,结合冻结阈值完成图欺诈节点判定,同时输出完整审计记录用于模型溯源校验。
33、本发明采用统一分层数据划分协议,对所有数据集按照训练集占比40%、验证集占比20%、测试集占比40%的比例完成分层划分;采用固定的外层随机种子集合{11,23,37,53,71}生成多组数据划分索引,所有对比模型统一复用完全一致的划分索引;针对实验异常场景,不对缺失指标进行插补与估算处理,严格区分方法兼容性失败问题与硬件基础设施失败问题,并对两类失败场景进行完整记录。
34、步骤s6输出的审计记录包含:图归一化快照、数据划分sha256哈希、训练集欺诈率、经验贝叶斯集中度、验证集全部候选得分与阈值、最终选中候选标识、测试集预测概率、固定5% 审核预算下precision@5% 与recall@5%、brier分数、10区间期望校准误差ece。
35、本发明还提供了一种面向图欺诈检测的溯源约束关系证据融合与验证门控选择系统,包括:图归一化模块、无标签上下文专家建模模块、溯源约束证据构造模块、有限候选概率生成模块、验证集自适应门控筛选模块、欺诈预测与审计输出模块。
36、图归一化模块:接收原始图数据,执行去重边、插入自环、特征填充与裁剪,输出归一化同质图;
37、无标签上下文专家建模模块:仅基于节点属性与图拓扑构造无标签特征向量,训练梯度提升分类器,输出无标签预测概率;
38、溯源约束证据构造模块:加载训练集标签,基于自排除邻域契约计算邻域风险、经验贝叶斯后验统计量,拼接生成证据向量并融合上下文特征,训练 extra-trees 证据分类器,输出证据预测概率;
39、有限候选概率生成模块:读取两类专家预测概率,生成预设 5 候选概率集合;
40、验证集自适应门控筛选模块:遍历全部候选,求解验证集最优阈值、计算综合门控得分,锁定最优候选与阈值;
41、欺诈预测与审计输出模块:基于锁定候选生成测试集欺诈概率,结合阈值输出欺诈判定结果,同步生成完整可审计溯源文档。
42、本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现面向图欺诈检测的溯源约束关系证据融合与验证门控选择方法。
43、采用上述技术方案本发明取得的有益效果如下:
44、1、本发明关系证据标签溯源机制,通过目标节点自排除邻域筛选、训练节点留一法先验计算、验证测试标签全程隔离的约束规则,从算子层面划定信息边界,解决了传统图学习方法标签泄露、风险预测失效的核心问题,保证关系证据的科学性与有效性。
45、2、本发明设计无标签上下文专家与训练标签证据专家双架构,无标签专家挖掘纯拓扑与属性上下文特征,证据专家挖掘合规邻域欺诈关联特征,摒弃传统固定融合模式,为后续自适应筛选提供双路径特征支撑,适配不同数据集的特征分布差异。
46、3、本发明设计保守缩减式门控,提升模型稳定性与可解释性,聚焦“训练标签证据是否增益无标签模型”的问题,消除多重比较带来的模型方差;同时支持证据无效时自动回退无标签模型,显示输出负面实验结果,避免固定融合掩盖证据失效问题,提升了可解释性。
47、4、本发明摒弃传统单一邻域比例表征方式,构建包含原始风险、后验均值、方差、支持度、收缩位移等7维证据向量,完整刻画证据的风险大小、不确定性与可信度,让模型精准学习证据的有效权重,提升欺诈检测精度。
48、5、统一分层划分协议与固定随机种子,所有对比模型复用相同索引,保证模型对比公平性;区分两类实验失败场景且不插补缺失数据,实验结果真实可信;同时输出多维度审计溯源数据,适配工业场景有限审核预算与合规校验需求。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com