B 讀程式：特徵、模型與跨域流程
每題的解答都收合在題目下方：先自己作答，再點開「看解答」核對。
先認識這些詞
這一課新出現的詞如下（前面課程已解釋過的詞不重複，完整列表見 術語表）。
- 累計投票次數：同一個人在這個平台上之前已經投過幾題（程式中的欄位叫 vvc）。它有兩個限制：可能把匿名的票串回同一個人，所以部署版本不使用；而且不是每個第三方平台都會提供，所以研究把它當作消融實驗來檢查。在目標平台上它由用戶端自行回報、無法驗證。歷史上，早期版本（v3）不用身分，它曾是少數能和其他平台對齊的行為訊號；到 v13 來源域允許用身分後，它的角色可能改變。
- 第一輪 / 第二輪：研究分兩次做。第一輪用 GNN，結果沒有通過事先定的規則；第二輪改用 R2。
- 基準（baseline）：拿來比較的參考方法。新方法要比基準好，比較才有意義；基準太弱，比較的結論就不可靠。
目標
讀完這課，你能說出每個特徵從哪裡來、模型用什麼資料訓練、跨域時哪些欄位被保留。
前置
先讀完 05、06、07，以及 A 課。
讀的順序
- 提案圖（
src/pgraph.py）：每題是一個節點，時間重疊的題目相連。 - 特徵（
src/features.py、src/r2.py）：從圖與票算出每題的數字。 - 模型與跨域流程（
src/novvc.py、src/rq1.py）：訓練、預測、組合成實驗。
第一步：提案圖（src/pgraph.py）
看這裡
- 第 50 行（
time_overlap_edges）：決定哪些題目相連。 - 第 109 行（
build）：建圖的入口。
問自己
1. 建圖時用到的是哪一批題目？只有參照題，還是全部？
看解答
建圖時用的是目標域全部題目（參照與檢驗都在內）。build 接收的是整份注入後的票表，節點是所有提案；邊只來自投票期間的重疊（以及來源域的共同帳號）。
2. 圖的邊是用票的時間算的。如果檢驗題也參與建圖，是洩漏嗎？（提示：論文的做法是建圖時包含目標域全部題目的無標籤票，這是「無標籤結構」，不是標籤；要判斷它算不算洩漏，需要對照論文的定義。）
看解答
不是標籤洩漏：圖的邊只用投票時間與帳號，不用任何答案。但它有一個值得注意的依賴：檢驗題的投票時間會影響參照題的鄰居。訓練用的圖只注入參照題，所以訓練特徵不含檢驗題的注入；論文第 3 章「提案圖」一節說明了鄰居的定義。
第二步：特徵（src/features.py、src/r2.py）
看這裡
src/r2.py的design：把特徵組合成模型的輸入。src/r2.py的align：對齊（第 5 課）。
練習：列出跨域版本用到的欄位（src/novvc.py 的 _keep、cols_g）。對每一個欄位，問：目標平台也有這個資料嗎？
看解答
跨域版本用到的欄位，目標域都有（投票型態、時間、以參照題對齊的數字、字典重建誤差）；帳號歷史不在跨域版本中，因為只存在來源域。實際欄位以 _keep 與 cols_g 為準，請自己列出並核對。
第三步：模型與跨域流程（src/novvc.py、src/rq1.py）
看這裡
src/novvc.py第 31 行（source_tables）：產生來源域的訓練表。src/novvc.py第 55 行（train）：訓練模型。src/rq1.py的_gbm：梯度提升的設定。
問自己
1. 模型訓練時，輸入是否只來自來源域？
看解答
是的。來源域的訓練表由 source_tables 產生，目標域只用來算特徵，不用於訓練。
2. 目標域的票是否只用來算特徵，沒有用來算標籤？
看解答
是的。目標域沒有標籤，只用票和時間等無標籤資料。
3. 超參數是不是從 outputs/phase02b/decisions.json 讀來的？有沒有任何地方在檢驗題上調過？
看解答
超參數沿用第 2 階段記錄的設定（outputs/phase02b/decisions.json），不因檢驗結果調整。
一個消融實驗：累計投票次數（vvc）
白話：累計投票次數是一個人在這個平台上之前投過幾題。模型可以用它，也可以不用。
為什麼要做這個比較？ 有兩個理由：
- 隱私：累計投票次數可能把匿名的票串回同一個人，所以部署版本不使用（見術語表）。
- 可用性：研究假設第三方平台只提供「提案、選項、時間」三個欄位，不一定有累計投票次數。
所以研究要問：有了 vvc，偵測會變好嗎？ 做法是比較有 vvc 與沒有 vvc 的結果。
比較什麼？ 第二輪的模型有 vvc（以及改票紀錄）；「最小欄位」版本兩者都拿掉。兩組的結果不在本學習文件中列出，以論文為準。
部署的考量：目標平台上的 vvc 是用戶端自行回報、無法驗證，而且可能有隱私風險。即使實驗中有幫助，也不能直接用於部署。
歷史脈絡：
- 早期版本（v3）不用身分：帳號與錢包在轉換資料時就丟掉。當時只留下一個行為訊號：這位投票者在該平台投的是第幾票（
voter_voted_count）。它是少數能和其他平台對齊的行為訊號，所以被當作「間接代替身分」的特徵。 - 但 v3 同時決定不把它放進基準線，理由有二：各平台的累計範圍不同，而且它直接對應「新帳號灌票」的攻擊定義。也就是說，早期就已經對它有保留。
- 到 v13，來源域允許用身分：身分邊只在來源域使用，第二輪的來源域模型也用了帳號歷史。來源域的身分資訊已經能直接使用，所以 vvc「間接代替身分」的功能可能變弱。這是合理的解釋，但研究沒有直接測試。
問自己
1. 如果某個平台提供了累計投票次數，你會直接把它放進部署模型嗎？為什麼？
看解答
不會。它可能把匿名的票串回個人，有隱私風險；而且目標平台上的這個數字是用戶端自行回報、無法驗證。
檢核
1. 跨域模型用到的每個特徵，目標平台都有嗎？
看解答
應該是「是」。跨域版本只用目標域也有的特徵，帳號歷史不在內。
2. 模型訓練時，檢驗題的答案是否有任何進入？
看解答
否。檢驗題的答案不進入訓練；檢驗題只用於最後打分。
3. 建圖時用到的無標籤資料，算不算洩漏？你的判斷依據是什麼？
看解答
判斷依據：建圖用的是無標籤資料，不是答案，所以不算標籤洩漏；但它是一個設計選擇，需要在論文中清楚說明（論文第 3 章「提案圖」一節）。
導航
引用文獻
- 圖小波（heat kernel）：Hammond, D. K., Vandergheynst, P., & Gribonval, R. (2011). Wavelets on graphs via spectral graph theory. Applied and Computational Harmonic Analysis, 30(2), 129–150. [bib: hammond2011wavelets]
- 圖與時間重疊的概念：DuPont (2023) [bib: dupont2023dao_gcnn]。
- 字典與重建：Zheng et al. (2026) [bib: zheng2026owleye]；Roy et al. (2024) [bib: roy2024gadnr]。
- 梯度提升：Friedman (2001) [未收入 bib]；Pedregosa et al. (2011) [未收入 bib]。
- 表格資料上樹模型與 GNN 的比較：Tang et al. (2023) [bib: tang2023gadbench]。