图派生信号用于表格机器学习的系统评估协议
人工智能
2026-03-17 v1 机器学习
摘要
尽管图派生信号在表格学习中被广泛使用，但现有研究通常依赖有限的实验设置和平均性能比较，留下了对观察收益统计可靠性和鲁棒性的悬疑。因此，尚不清楚哪些信号提供持续且稳健的改进。本文提出了一种基于主题的经验分析，用于表格机器学习中的图派生信号。我们提出了统一且可重复的评估协议，以系统性地评估哪些类别的图派生信号产生统计显著且稳健的性能改进。该协议为在表格学习管道中集成多样化的图派生信号提供可扩展的设置。为确保公平且严格的比较，它包含自动化超参数优化、多随机种子统计评估、形式显著性检验以及对图形扰动下的鲁棒性分析。我们通过在大型不平衡的加密货币欺诈检测数据集上的广泛案例研究来演示该协议。分析识别出持续可靠性能提升的信号类别，并为哪些图派生信号指示欺诈判别结构模式提供可解释见解。此外，鲁棒性分析揭示了各种信号在处理缺失或损坏的关系数据方面的显著差异。这些发现在欺诈检测中显示出实际用途，并说明所提出的基于主题的评估协议在其他应用领域的应用方式。
引用
@article{arxiv.2603.13998,
title = {A Systematic Evaluation Protocol of Graph-Derived Signals for Tabular Machine Learning},
author = {Mario Heidrich and Jeffrey Heidemann and Rüdiger Buchkremer and Gonzalo Wandosell Fernández de Bobadilla},
journal= {arXiv preprint arXiv:2603.13998},
year = {2026}
}