表形式データの機械学習におけるグラフ由来信号の体系的評価プロトコル

要旨: グラフ由来の信号は表形式データの学習で広く用いられている一方で、既存の研究は通常、限られた実験セットアップと平均的な性能比較に依存しており、観察された利得の統計的信頼性と頑健性はほとんど検討されていない。結果として、どの信号が一貫して、かつ頑健な改善をもたらすのかは不明のままである。 本研究は、表形式機械学習におけるグラフ由来信号の分類学駆動の実証分析を提示する。 統一的で再現性のある評価プロトコルを提案し、どのカテゴリーのグラフ由来信号が統計的に有意で頑健な性能改善を生むかを体系的に評価する。 このプロトコルは、さまざまなグラフ由来信号を表形式学習パイプラインに組み込むための拡張可能な設定を提供する。 公正かつ厳密な比較を保証するため、自動化されたハイパーパラメータ最適化、複数シードによる統計評価、形式的有意性検定、およびグラフの摂動下での頑健性解析を組み込んでいる。 本プロトコルを、大規模で不均衡な暗号通貨詐欺検出データセットを用いた包括的なケーススタディを通じて実証する。 分析は、一貫して信頼できる性能向上をもたらす信号カテゴリを特定し、どのグラフ由来信号が詐欺を識別する構造的パターンを示すかについて解釈可能な洞察を提供する。 さらに、頑健性分析は、さまざまな信号が欠損または破損したリレーショナルデータを処理する方法に顕著な差異があることを明らかにする。 これらの知見は詐欺検出の実用的な有用性を示し、提案された分類学駆動の評価プロトコルを他のアプリケーション分野に適用できることを示している。