邮件网络里的派系一个月就散掉六成：时序图神经网络追平“照搬上月值”，真正管用的是存活概率
核心概要
安然邮件网络被切成44个30天快照，最大派系按Jaccard一一匹配后，约六成在一个月后找不到对应群体，下一月张力对多数行没有定义。在24个滚动预测起点上，带残差输出、从“照搬上月值”起步的GCN、GraphSAGE式编码器和GCN+GRU，在存活派系上与照搬上月值等价，普通GCN更差，邻域与循环记忆没有可测增益。可部署设定下，把照搬值乘以简单风险模型的存活概率，误差降低约17%。
深度剖析
邮件网络中的群体张力预测，先要回答群体下个月还在不在；在这份数据里，多数派系一个月内就消失，预测目标因此对大部分行没有定义。 此前的派系冲突评分只在单张静态图上计算，没有跨月跟踪，也没有处理群体消失后目标缺失的问题。 689个保留派系中278个（40.3%）在Jaccard阈值0.5下有一一后继，411个（59.7%）没有；把消失派系记为零会奖励预测小值的模型，只评存活者又用到了预测之后才知道的信息。
把当前张力直接搬到下个月，就是这批数据上最难越过的预测。 带残差输出的神经网络从照搬值起步、只需学一个修正量，训练后仍停在照搬值附近，而不是超过它。 24个滚动起点、237个存活派系上，照搬值MSE为11.56；残差MLP比值0.96、残差GCN与SAGE为1.00、GCN+GRU为1.02，Holm校正后均不显著；普通GCN为1.15、GBDT为1.12、带邻居聚合的GBDT为1.17。
真正降低可部署预测误差的是存活概率，而不是更复杂的张力模型。 可部署协议下照搬值本身不是公平参照，因为它给即将消失的群体也报了张力，比较基准改为照搬值乘以训练集基础存活率。 614个派系上，照搬值乘基础率MSE为19.42，乘风险模型存活概率为16.20（比值0.83，区间[0.76, 0.94]），误差下降来自消失群体那部分从10.8降到5.8，存活群体那部分只从8.6升到10.4。
群体如何定义本身贡献了相当一部分“消失”，其中过半保留派系恰好是一封邮件的收件人名单。 换用剔除单封邮件派系、重复通信对、派系渗流和Louvain社区等五种定义后，存活率仍在30.5%到43.8%之间，没有一种把存活率抬到一半以上。 55.3%的保留派系成员集合与窗口内某一封邮件的安然参与者名单完全重合；Jaccard阈值从0.3升到0.7时存活率从56%降到22%，而K′上限和窗口长度只带来几个百分点的变化。
启示与展望
结论建立在安然邮件单纯复形数据上：148个员工编号、10,883封邮件、44个30天快照，其中39个转换带有目标，评估覆盖24个滚动起点。适用场景是单公司、单月步长的派系张力与人员风险排序；原文提出下一步是直接跟踪超边，并在带部门标签的email-Eu-core等第二个数据集上检验结论是否延续。
原文说明这是小数据集：39个可用月份、689个派系，早期起点只有几十个存活样本，参数更多的模型在此规模下处于劣势，更大网络可能给出不同答案。归一化目标下神经模型普遍更差，只有两参数线性模型超过照搬值，且这些差异未通过Holm校正；可部署设定中风险模型加权的区间不含1，但校正后Diebold–Mariano p值为0.54。ICCS与SRI是否真的度量孤岛仍未验证，SRI与派系成员数的Spearman相关为0.82。