LR在特征较多时可以进行怎样的优化？

问题不是 GNN 不强，而是“假设全错”。GNN 的核心假设有 4 个，在 DGraph 中几乎全被打破。1️⃣ 同质性假设被严重破坏GNN 默认相信“相连的节点更可能属于同一类”。这在社交网络、引用网络里成立。而金融欺诈图中实际是 欺诈节点 ≠ 喜欢连欺诈节点。反而是：“欺诈 → 大量正常用户” “欺诈 → 垃圾账号 / 背景节点” “欺诈 → 临时壳节点”，结果message passing = 风险被正常节点“稀释”。越聚合邻居，欺诈信号越弱。2️⃣ 异质性极强，但 GNN 处理不好DGraph 的是多类型、有方向、有语义（转账 / 担保 / 登录 / 设备）普通 GCN / GAT：把...