3. 样本偏差问题概述：金融图谱中样本偏差的常见来源

在金融风控场景中，图神经网络（GNN）模型的表现高度依赖于训练数据的质量。然而，金融图谱数据天然存在多种样本偏差，这些偏差会直接导致GraphSAGE模型学习到错误的节点表示，进而影响信用评分、欺诈检测等核心任务的准确性。本节系统梳理金融图谱中样本偏差的四大常见来源：标签稀疏、冷启动、时间漂移与群体不平衡。

3.1 四大偏差来源总览

下表从定义、典型场景、对GraphSAGE的影响三个维度，对比四种偏差的核心特征：

3.2 标签稀疏：监督信号的天然匮乏

金融图谱中，标签获取成本极高。一笔贷款的真实违约状态需要等待数月甚至数年才能确认；欺诈标签依赖人工审核，覆盖比例通常低于5%。这种稀疏性导致GraphSAGE在训练时面临两个关键问题：

• 梯度传播效率低：只有少量有标签节点能产生监督损失，大量无标签节点仅通过无监督损失（如邻居预测）学习，嵌入质量不稳定。
• 过拟合风险高：模型容易过度拟合少数有标签节点的局部结构，丧失泛化能力。

3.3 冷启动：新节点的结构孤岛

金融业务中每天都有大量新实体加入图谱：新用户注册、新商户入驻、新设备上线。这些节点在训练阶段完全不存在，GraphSAGE无法通过历史邻居聚合获得初始嵌入。冷启动偏差的典型表现包括：

• 零邻居困境：新节点在图中孤立，聚合结果退化为随机初始化向量。
• 属性依赖失效：如果模型过度依赖邻居特征，新节点因缺少邻居而预测偏差极大。
• 子图结构缺失：新节点可能属于一个全新的子图（如新欺诈团伙），该子图结构从未在训练集中出现。

下图展示了冷启动节点在GraphSAGE聚合过程中的结构缺失问题：

3.4 时间漂移：分布随时间的结构性偏移

金融图谱是动态演化的。用户的社交关系、交易模式、设备关联都会随时间改变。如果训练集来自2023年Q1，而推理集是2024年Q2的数据，则存在显著的时间漂移。具体表现包括：

• 边的新增与消失：旧关系断裂，新关系形成，GraphSAGE的聚合拓扑过时。
• 节点属性漂移：用户收入、消费习惯、风险评分等特征分布发生变化。
• 标签分布偏移：违约率、欺诈率随经济周期波动，训练集与推理集的先验概率不同。

3.5 群体不平衡：少数类被淹没

金融数据天然呈现长尾分布。欺诈用户、高风险商户、异常交易等少数类样本占比极低（通常低于5%）。GraphSAGE的邻居聚合机制会加剧这种不平衡：

• 多数类主导聚合：少数类节点的邻居中多数是正常节点，聚合后的嵌入被“正常化”，失去异常特征。
• 损失函数倾斜：交叉熵损失被多数类样本主导，模型对少数类的梯度贡献极小。
• 评估指标失真：整体准确率高但少数类召回率低，AUC可能虚高。

下图展示了群体不平衡对GraphSAGE邻居聚合的影响：

3.6 四种偏差的交互效应

在实际金融图谱中，四种偏差往往同时存在并相互放大。例如：

• 冷启动 + 标签稀疏：新节点既无邻居也无标签，模型完全无法学习其表示。
• 时间漂移 + 群体不平衡：少数类（如新型欺诈）随时间演变，旧训练集中的少数类样本完全无法代表新出现的欺诈模式。
• 标签稀疏 + 群体不平衡：少数类本身样本少，有标签的少数类样本更是凤毛麟角，监督信号几乎为零。

3.7 本节要点总结