发现GNN反洗钱模型实为复杂MLP，存在表格数据泄露问题
原文：Your GNN is probably just an overcomplicated MLP (Tabular Leakage). We built SynthFin-AML to enforce strict causal boundaries. [P]
我们注意到反洗钱模型的表现好得可疑。在深入研究动态图上的标准基线后，我们发现消息传递中普遍存在时间泄露问题。如果你在动态图的静态快照上训练 GNN，模型很可能通过在训练时"看到"未来的边而作弊。我们受够了评审那些评估有缺陷的论文，因此发布了 SynthFin-AML v10.0（10万节点、120万条边），以强制执行严格的因果边界。时间泄露陷阱：标准的直推式随机划分在金融交易网络上根本行不通，因为它们违背了时间箭头。如果节点 A 在第2天向 B 转账，B 在第10天向 C 转账，标准的2跳 GNN 会把第10天的边拉入第2天的损失计算中。模型实际上是在窥探未来来计算嵌入。解决方案：3快照架构。为了阻止模型通过提前偷看交易图作弊，我们强制执行了严格的3快照时点划分：训练图（边 ≤ 第7天）、验证图（边 ≤ 第8天）、测试图（边 ≤ 第10天）。通过在物理上分离时间窗口，我们将 GNN 的感受野限制在真实的因果范围内。图 vs 表格的现实检验：大多数合成数据集存在分布泄露问题，即欺诈交易金额在统计上可与正常零售流量区分开。我们消除了"金额划分作弊"，确保欺诈和零售交易金额共享完全相同的对数正态分布（μ=8.517，σ=0.8）。修复了表格泄露后，我们将调优过的 LightGBM 与 GraphSAGE 进行了对比，看看 GNN 的额外开销对反洗钱是否真的值得。我们为树模型设计了11个时点图特征（加权 PageRank、邻居交易量聚合等）。结果（严格时间划分下的 PR-AUC）：LightGBM（11个特征）：0.848；GraphSAGE（归纳式）：0.881。剧透：除非你的边特征非常丰富，否则 GraphSAGE 在这里只是勉强胜过树模型。差距并非天文数字。