合成タブラー・ジェネレータは行動型の不正パターンを保持できない：時間・速度・マルチアカウント信号に関するベンチマーク

要旨: 合成の表形式データに対する第3の評価次元として、行動忠実度（behavioral fidelity）を提案します。これは、生成データが現実世界のエンティティの活動を特徴づける時間的・逐次的・構造的な行動パターンをどの程度保持しているかを測定するものです。既存の枠組みでは、統計的忠実度（周辺分布および相関）と下流の有用性（合成訓練モデルに対する分類器のAUROC）を評価しますが、実際に運用上の検出・分析システムが依拠している行動シグナルを検証するものはありません。私たちは、4種類の行動的な詐欺パターン（P1〜P4）の分類法を形式化します。これには、イベント間隔、バースト構造、多アカウントのグラフ・モチーフ、そして速度ルールのトリガー率が含まれます。さらに、実データのノイズフロアに調整した劣化比率（degradation ratio）指標を定義します（1.0 = 実データの変動に一致、k = k倍悪化）。そして、支配的なパラダイムである行ごと独立な生成器は、P3のグラフ・モチーフを構造的に再現できないこと（命題1）と、エンティティ内のIET自己相関が正でないこと（命題2）を証明します。そのため、詐欺シーケンスに固有の正のバースト指紋は、アーキテクチャや訓練データ量のいかんにかかわらず達成不可能です。IEEE-CIS Fraud DetectionおよびAmazon Fraud Datasetに対して、CTGAN、TVAE、GaussianCopula、TabularARGNをベンチマークします。4手法はいずれも深刻に失敗します。IEEE-CISの複合劣化比率は、TVAEで24.4倍からGaussianCopulaで39.0倍の範囲です。Amazon FDBでは、行ごと独立な生成器が81.6〜99.7倍のスコアを示す一方で、TabularARGNは17.2倍を達成します。生成器固有の失敗モードとその解決策を記録します。P1〜P4の枠組みは、ヘルスケアやネットワークセキュリティを含む、エンティティ単位の逐次表形式データを扱うあらゆる領域に拡張できます。評価枠組みをオープンソースとして公開します。