[Phase 3] Architecture: Integrate PU Loss (Positive-Unlabeled Learning)

[arthur0824hao]

Goal

將 Positive-Unlabeled (PU) Loss 導入現有訓練管線。

Context

詐欺偵測資料集常存在「未標註」且可能為詐欺 (Hidden Positives) 的樣本。PU Learning 假設未標記資料為正負樣本的混合體。過去在 senior_exp 中學長的 ZEBRA 模型使用了 PU Loss。

Tasks

1. 實作 Loss 函數: 在 Phase4/preprocess_lib/losses.py 中實作 PU_Loss 或 nnPU_Loss。
2. 計算 Prior ($\alpha$): 開發邏輯來估算或微調訓練集中的真實正樣本比例 prior probability ($\alpha$)。
3. 模組整合: 在 trainer.py 中支援參數化選擇 criterion = 'PU_Loss'，讓後續所有 GNN 架構都可以呼叫。

Acceptance Criteria

• 成功將學長的 PU Loss 從 Copied_resources/senior_exp/models_zebra.py 遷移。
• 證明 PU Loss 能在現有最佳模型上提升 Test F1 (特別是召回率 Recall 的提升)。