1. 课程导论：金融图谱样本偏差的定义、偏差对模型的影响、课程目标与学习路径
1.1 金融图谱样本偏差的定义
在金融知识图谱构建与机器学习模型训练过程中，样本偏差（Sample Bias）是指用于训练模型的数据样本分布与真实业务场景中数据分布之间存在系统性差异。这种差异并非随机噪声，而是由数据采集、标注、存储或采样方式引入的结构性失真。
金融图谱中的样本偏差通常表现为以下几种形式：
| 偏差类型 | 定义 | 金融图谱典型场景 |
|---|---|---|
| 选择偏差 | 样本非随机选取，某些实体或关系被过度/不足代表 | 仅收录上市公司关联交易，忽略非上市公司隐性关联 |
| 标注偏差 | 标注标准不一致或标注人员主观偏好导致标签失真 | 不同信审员对“高风险企业”的判定阈值不同 |
| 时间偏差 | 训练数据与推理数据的时间窗口不匹配 | 用2019年图谱训练模型，预测2023年供应链风险 |
| 幸存者偏差 | 只观测到存活/成功样本，忽略已消亡实体 | 图谱中仅包含存续企业，缺失已破产关联方 |
| 关系稀疏偏差 | 图谱中长尾实体关系极度稀疏，模型难以学习有效表征 | 中小微企业在图谱中仅有1-2条关联边 |
关键认知：金融图谱的样本偏差具有“传导放大”特性——上游实体抽取阶段的偏差会沿图谱关系链向下游关系预测、风险传导计算逐级放大，最终导致模型决策系统性偏离真实风险水平。
1.2 偏差对模型的影响
样本偏差对金融图谱机器学习模型的影响是全链条的，从训练收敛到线上推理均会遭受显著劣化。以下从三个核心维度进行剖析：
- 训练阶段：偏差导致损失函数曲面畸变，模型在偏差区域过拟合，在真实分布区域欠拟合。例如，若图谱中“正常企业”样本占比90%，“违约企业”仅10%，模型会倾向于将所有实体预测为正常，召回率趋近于零。
- 验证阶段：验证集与训练集同源偏差，导致离线指标虚高。常见现象：离线AUC达到0.95，上线后实际AUC仅0.62。
- 推理阶段：模型对图谱中新增实体或稀有关系的预测置信度不可靠，风险排序失真，直接导致信贷审批、反洗钱监测等业务决策失误。
下表总结了偏差对不同模型任务的具体影响：
| 模型任务 | 偏差影响表现 | 业务后果 |
|---|---|---|
| 实体分类 | 头部实体分类准确，尾部实体分类错误率>40% | 误判企业行业归属，导致行业风险敞口计算错误 |
| 关系预测 | 高频关系（如持股）预测F1高，低频关系（如担保）几乎不预测 | 遗漏隐性关联担保链条，风险传导路径断裂 |
| 风险传导计算 | 偏差导致传导概率估计偏移，风险值被系统性低估或高估 | 信用评级失真，资本计提不足或过度 |
| 图嵌入表示 | 稀疏节点嵌入向量趋同，无法区分不同风险画像 | 同质化推荐，无法识别异常交易模式 |
⚠ 常见误区：很多团队认为“增加数据量就能解决偏差”。实际上，如果新增数据与原有数据同源同偏差，数据量越大，偏差越固化。金融图谱偏差校验的核心在于“识别偏差结构”而非“堆数据”。
1.3 课程目标与学习路径
本课程旨在系统性地解决金融图谱样本偏差问题，帮助学员建立从“偏差识别”到“偏差校验”再到“模型鲁棒训练”的完整技术栈。课程目标分为三个层次：
- 认知层：掌握金融图谱样本偏差的数学定义、分类体系与量化评估方法，能够独立诊断图谱数据中的偏差结构。
- 方法层：学习偏差校验的核心算法，包括对抗验证、分布对齐检验、图结构偏差检测、重加权与重采样技术。
- 实践层：基于真实金融图谱数据集，完成偏差校验模型的训练、评估与迭代优化，输出可复用的偏差校验流水线。
课程学习路径分为六个模块，建议按顺序推进：
| 模块 | 章节范围 | 核心内容 | 实践产出 |
|---|---|---|---|
| 基础篇 | 第1-4章 | 偏差定义、图谱数据特性、偏差量化指标 | 偏差诊断报告模板 |
| 检测篇 | 第5-10章 | 对抗验证、分布检验、图结构偏差检测 | 偏差检测Python工具包 |
| 校正篇 | 第11-16章 | 重加权、重采样、数据增强、图结构校正 | 偏差校正流水线 |
| 训练篇 | 第17-22章 | 鲁棒图神经网络、偏差感知损失函数 | 鲁棒训练模型 |
| 评估篇 | 第23-26章 | 偏差鲁棒性评估、消融实验、上线验证 | 评估报告与监控看板 |
| 实战篇 | 第27-30章 | 企业供应链图谱偏差校验全流程实战 | 完整项目交付 |
💡 学习建议：本课程每章均配有可运行的代码示例和金融图谱样本数据。建议学员在本地搭建Python 3.9+环境，安装PyTorch 2.0+、DGL 1.0+、NetworkX 3.0+等依赖库，边学边练效果最佳。
1.4 预备知识与环境要求
为顺利学习本课程，建议学员具备以下基础：
- 机器学习基础：理解监督学习、过拟合、交叉验证等基本概念；熟悉PyTorch或TensorFlow的基本使用。
- 图神经网络基础：了解GCN、GAT等经典图神经网络结构；熟悉DGL或PyG框架的基本操作。
- 金融业务常识：了解企业关联关系（持股、担保、供应链）、信用风险、反洗钱等基本业务场景。
- Python编程：熟练使用NumPy、Pandas、Matplotlib等数据科学库。
课程配套资源：每章均提供Jupyter Notebook代码、金融图谱样本数据（脱敏）、预训练模型权重及评估脚本。学员可通过课程平台下载完整资源包。