4. 样本偏差概念：什么是样本偏差、金融场景中偏差的来源
在金融图神经网络（GNN）建模中，样本偏差是指训练样本的分布与真实业务分布之间存在系统性差异。这种偏差会导致模型在部署时表现严重退化，尤其在欺诈检测、信用评估等高风险场景中，偏差可能直接造成巨大的经济损失与合规风险。
4.1 什么是样本偏差
样本偏差（Sample Bias）本质上是采样分布 ≠ 目标分布。在金融图谱场景下，训练GNN所使用的节点、边或子图并不能代表模型上线后将要面对的完整数据分布。
| 维度 | 理想情况 | 存在偏差的情况 |
|---|---|---|
| 分布一致性 | 训练集与真实业务分布相同 | 训练集仅覆盖部分子群体 |
| 标签覆盖 | 正负样本比例反映真实比率 | 正样本被过度/不足采样 |
| 时间对齐 | 训练数据与预测期时间窗口一致 | 训练数据来自过时的时间段 |
| 图谱结构 | 节点连接模式与真实图谱一致 | 部分边被截断或过度采样 |
核心公式： 偏差 = E训练[L(y, f(x))] − E真实[L(y, f(x))] ≠ 0
4.2 金融场景中偏差的三大来源
金融图谱GNN的样本偏差主要来自三个维度：采样偏差、标签偏差和时间偏差。三者往往交织出现，形成复合偏差效应。
4.2.1 采样偏差（Sampling Bias）
采样偏差发生在数据采集或训练集构建阶段，图谱中的节点或边被非随机地选择进入训练集。
- 过度采样活跃节点： 交易频繁的账户更容易被记录，导致图谱中活跃节点占比过高，冷启动用户被忽略。
- 子图截断偏差： 为控制计算量，只采样2跳以内的邻居，丢失长程依赖关系。
- 负样本采样偏差： 随机采样负边时，可能漏掉“难负样本”（结构相似但标签不同的边）。
- 设备/渠道偏差： 仅从特定APP渠道采集数据，忽略线下或Web端用户。
实战案例： 某信贷风控团队从历史黑名单中采样正样本，但黑名单仅覆盖已确认欺诈的账户，大量“未确认但可疑”的账户未被标记，导致模型对新型欺诈模式识别率下降40%。
4.2.2 标签偏差（Label Bias）
标签偏差是指训练样本的标签不能真实反映样本的实际类别，尤其在金融场景中标签获取成本极高。
| 偏差类型 | 金融场景表现 | 对GNN的影响 |
|---|---|---|
| 标签延迟 | 欺诈确认需要T+30天，训练标签滞后 | 模型学习到过时的欺诈模式 |
| 标签噪声 | 人工审核误判，将正常交易标记为欺诈 | GNN消息传递放大噪声，邻居节点被污染 |
| 标签稀疏 | 仅有0.1%的节点有标签 | 半监督GNN难以传播有效信号 |
| 标签不平衡 | 欺诈样本占比 < 1% | GNN倾向于预测为多数类 |
4.2.3 时间偏差（Temporal Bias）
时间偏差是金融场景中最隐蔽但破坏力最强的偏差。图谱结构随时间动态演化，而训练数据往往来自一个固定的历史窗口。
- 概念漂移： 欺诈团伙的作案手法随时间变化，旧数据中的模式不再适用。
- 图谱老化： 训练时使用的边关系在部署时可能已失效（如手机号换绑、设备更换）。
- 时间窗口截断： 只使用最近3个月数据，忽略了周期性行为（如季度末冲量、节假日模式）。
- 因果倒置： 用未来的标签预测过去的行为，在时序GNN中产生信息泄露。
⚠️ 高频踩坑点： 在构建金融图谱训练集时，如果直接使用“当前时间点”的标签去训练“历史时间点”的图谱快照，模型会学到虚假的因果关联。正确的做法是保证训练样本的图谱快照时间 < 标签确认时间。
4.3 三种偏差的交互关系
在真实金融图谱中，三种偏差往往同时存在并相互放大。例如：采样偏差导致某些时间段的节点被过度代表，而这些节点的标签又因延迟确认而存在标签偏差，最终模型在最新时间窗口上表现极差。
4.4 偏差校验的必要性
在金融图谱GNN建模流程中，样本偏差校验不是可选项，而是必须前置的质检环节。未经过偏差校验的模型，在以下场景中会系统性失效：
- 冷启动用户/账户： 训练集中缺乏新注册用户的图谱特征，模型无法泛化。
- 新型欺诈模式： 旧标签无法反映最新欺诈手法，模型误判为正常。
- 跨周期迁移： 用Q1数据训练的模型在Q4表现骤降，时间偏差未被校正。
- 群体不均衡： 模型对某些地区或渠道的用户预测准确率极低。