GNN 反洗钱评估常"偷看未来"，研究者推出 SynthFin-AML 强制因果边界

机器学习研究者在反洗钱（AML）场景的图神经网络（GNN）基准测试中发现了系统性的「时间泄漏」问题：如果把动态交易网络当作静态图做随机划分，GNN 会在训练阶段访问到未来的边，从而人为抬高指标。为此，团队开源了合成数据集 SynthFin-AML v10.0，并用严格的时间窗口划分重新评估 LightGBM 与 GraphSAGE 的真实差距，相关基准已提交至 PyTorch Geometric。

时间泄漏：从静态图快照丢失「时间箭头」

研究团队在复现若干主流 AML 基线时注意到，模型指标异常亮眼。追查后他们发现，标准 transductive 随机划分在动态金融图上会破坏时间因果性——若节点 A 在第 2 天向 B 转账、B 在第 10 天再向 C 转账，一个 2 跳 GNN 会把第 10 天的边拉进第 2 天的损失计算，相当于让模型「看到未来」再生成节点嵌入。

在传统表格任务中，常见的时间切分和特征工程已经形成规范；但在图学习社区，相当一部分公开基准仍沿用静态图的随机划分，这使得许多论文报告的提升难以判断是来自模型结构本身，还是来自数据划分漏洞。

三段快照架构：把因果边界"钉"在时间轴上

为强制实现真正的因果约束，研究者把同一交易网络切分为三个物理隔离的时间快照：

训练图：边的时间戳 ≤ 第 7 天
验证图：边的时间戳 ≤ 第 8 天
测试图：边的时间戳 ≤ 第 10 天

通过这种「点对点时间」（point-in-time）切分，GNN 的感受野被严格限制在真实的因果时间窗内，无法再借助泄漏边作弊。该数据集规模为 10 万节点、120 万条边，并以共享的对数正态分布（μ=8.517，σ=0.8）抹平了欺诈交易与正常交易在金额上的统计差异，杜绝了「按金额划分作弊」的捷径。

真实结果：GraphSAGE 只微弱领先树模型

在消除两类泄漏后，研究者把调优后的 LightGBM 与归纳式 GraphSAGE 放在同一严格时间划分下比较，选用 PR-AUC 作为指标。

LightGBM（11 个点对点图特征）：0.848
GraphSAGE（归纳式）：0.881

差距虽存在，但远没有过去许多论文宣称的那么夸张。换言之，如果边特征并不稠密、为 GNN 付出的额外工程成本可能并不划算。对工业团队而言，这意味着在生产环境中，结构简单的树模型配合少量精心设计的图特征，往往已足够。

后续：上游提交与开源

为推动更严格的标准，团队已将该基准以 PR #10774 提交到 PyTorch Geometric，并开源完整代码库（GitHub: valiyevoktay-cmd/synthfin-aml）。他们也希望社区进一步讨论：在动态图领域还有哪些场景存在类似的时间泄漏，以及如何在不爆显存的前提下让 GNN 处理大规模表格化金融数据。