Evi-VN 通过虚拟类节点向 GNN 共同困难区域注入多模态证据，在 MGTAB 上把 13 个骨干的平均准确率提升 6.77 个百分点
核心概要
Evi-VN 是一个即插即用的增强框架：它用多骨干折外预测识别 GNN 共同困难区域，训练路由器从特征隔离的多模态证据链中挑出可能困难的节点，再由一对虚拟类节点以仅指向真实节点的有向边注入校准后的类别先验，从而在不改动原 GNN 输入结构的前提下提升检测效果。在 MGTAB 上，它对 13 个骨干的平均准确率/F1/AUC 比仅骨干提升 6.77/10.58/5.61 个百分点，并超过 logit 融合 1.10/1.27/0.74 个百分点。
Figure 1: Overview of Evi-VN . (a) Discovery-GNN OOF errors define consensus-hard targets; the evidence router gates prior generation and calibration. (b) Original and augmented versions of one target backbone run in parallel. A calibrated prior selects and weights a source-only virtual edge, where v p v_{p} and v n v_{n} denote the positive- and negative-class virtual nodes, respectively. The finalizer combines fold-held-out graph, prior, and routing scalars. (c) Fixed class-prototype inputs become hidden virtual-node proxies under proxy alignment, bounded separation, and stop-gradient anchors ( a 0 a_{0} and a 1 a_{1} ). Discovery backbones are training-only, and evidence-chain features never enter the GNN input.
arXiv深度剖析
论文识别并量化了跨骨干的“GNN 共同困难区域”：在六个数据集上，被其他骨干标记为困难（预测错误或接近决策边界）的节点，其易-难准确率差距平均为 0.416、AUC 差距平均为 0.468。 此前工作多针对单一图病理（如伪装、类别不平衡、同质/异质连接）改进 GNN，而这里把多骨干折外预测的重叠错误本身当作可迁移的监督信号，并用留一骨干诊断证明该区域不是某个模型的自有错误。 六个公开数据集（MGTAB、TwiBot-20、Cresci-2015、YelpZip、FraudBench、TeleAntiFraud-28k）的折外诊断；MGTAB 上每个目标骨干在留一困难区域上的平均准确率/AUC 差距为 0.424/0.445，随机森林预测共识困难成员达到 0.849 AUC。
Evi-VN 把证据注入做成结构操作而非特征拼接：路由器只从证据链估计图是否不足，证据处理器输出标量类别先验，两个虚拟类节点通过仅指向真实节点的有向边把先验送入被路由的困难节点，证据特征从不进入 GNN 特征矩阵或最终分类器。 早期融合会把 GNN 输入耦合到模态编码器，晚期融合保留骨干却无法影响消息传递；Evi-VN 用虚拟节点作为条件化通道，只对路由子集注入样本级外部证据，并保持骨干采样与聚合机制不变。 消融显示去掉虚拟节点注入的匹配堆叠控制仍低于 Evi-VN 1.08 个百分点准确率和 1.10 个百分点 F1；去掉先验分数下降更大（1.61 和 2.02 个百分点），说明增益部分来自分数组合、部分来自结构注入。
在 MGTAB 上，Evi-VN 对 13 个发现骨干的平均准确率/F1/AUC 达到 0.9283/0.8707/0.9769，比仅骨干提升 6.77/10.58/5.61 个百分点，并超过 logit 融合 1.10/1.27/0.74 个百分点；在留一共识困难节点上准确率从 52.97 提升到 66.79（+13.82 个百分点）。 对照包括 GNN 概率集成、加权概率融合和加权 logit 融合，它们使用同一路由先验但只在消息传递之后组合，因此剩余差距支持把证据转成图结构。 13 个骨干的配对差异自助法 95% 置信区间与单侧符号翻转检验；困难子集评估时目标骨干被排除在困难区域发现之外。
增益可迁移到未见骨干和多种证据模态：在 SGC、Graph Transformer、FiLM、ResGatedGCN、CARE-GNN、PC-GNN 上平均准确率/F1/AUC 提升 5.18/7.62/3.27 个百分点；跨数据集准确率提升从 Cresci-2015 的 3.45 个百分点到 TeleAntiFraud 的 35.47 个百分点。 这些骨干不参与困难区域发现，因此把可迁移证据与对发现集的共适应区分开；路由器/先验的六种替换组合也都保持正向增益，支持组件可替换性。 未见骨干迁移实验、六种路由器/先验配对、以及结构化、文本、图像-文本、音频-文本四类证据链的跨数据集结果。
启示与展望
该框架面向已有 GNN 欺诈检测器的增强场景：使用者需要一份图、一套数据侧节点特征、一份与图特征隔离的证据链，以及若干发现骨干来构造困难区域监督。它适用于社交机器人、虚假评论、退款证据和电信诈骗等任务，前提是证据链与标签、划分、GNN 投票和困难标注保持隔离。路由器与先验生成器可按数据集替换，虚拟节点接口保持不变；推理时只需目标图学习器、路由器和被路由节点的先验生成器。
MGTAB 有配对检验和五种子最终器检查，但完整流程的多随机种子重跑仍较昂贵；证据处理器虽可替换，当前实验覆盖的是选定的表格、语言、视觉和音频编码器，而非所有模型家族。FraudBench 保留的生成文本高度可分，TeleAntiFraud 为合成且以转录文本为主，因此这两个数据集上的近饱和 AUC 更多反映数据构造而非广泛的多模态泛化；FraudBench 使用单一划分和单种子，六个生成器图共享真实索赔，其相对堆叠的小幅 AUC 增益未被统计确立。YelpZip 的 LLM 先验单独使用时表现较弱，应理解为 Evi-VN 能利用弱自然语言先验，而非 LLM 先验本身解决该任务。读者仍需关注困难区域定义在不同数据分布下的稳定性，以及证据链构造中潜在捷径字段的控制是否在更多场景中成立。