MucahitSylmz/elliptic-event-aware-splitting

Topolojik Kırılma Noktasına Göre Veri Bölme: Bitcoin Kara Para Aklama Tespiti

"Karmaşık yapay zekâ modelleri geliştirmeden önce, verinizi doğru bölün."

---

Biz Ne Yapıyoruz?

Makine öğrenmesi modellerini eğitirken veriyi ikiye böleriz: bir kısmıyla öğretir, diğer kısmıyla sınarız. Herkes bu bölme işini ya rastgele yapar, ya da takvimden bir tarih seçip "bu tarihten önce eğitim, sonra test" der.

Biz farklı bir şey öneriyoruz: Bölme noktasını takvim değil, ağın kendisi belirlesin.

Bitcoin işlem ağının bir "sağlık skoru" var. Bu skor ağın ne kadar yoğun, ne kadar bağlantılı ve ne kadar bütün olduğunu ölçüyor. Ağ sağlıklıyken her şey normal akıyor. Ama bir gün dark market kapanıyor, düzenleyiciler baskın yapıyor ya da büyük bir hack oluyor — ve ağın sağlığı aniden çöküyor. İşte biz tam o çökme anını otomatik olarak tespit edip, yapay zekayı o noktadan bölüyoruz.

---

Neden Bu Önemli?

Çünkü rastgele bölme yaptığınızda, model geleceği görüyor. 2024'teki bir suç örüntüsünü eğitim setine koyup, 2023'teki bir işlemi test ediyorsunuz. Model "tahmin" yapmıyor, "hatırlıyor". Bu yüzden %96 başarı rapor ediyorsunuz ama gerçek dünyaya koyduğunuzda model çöküyor.

Bunu sadece iddia etmiyoruz. 6 farklı testle kanıtlıyoruz.

---

Literatüre Katkımız (Tek Cümle)

Veri bölme noktasını, ağın topolojik sağlığının çöktüğü kriz anına göre belirleyen ilk çalışma.

Mevcut yaklaşımlar ya rastgele böler (sızıntı yapar), ya da takvimden sabit bir noktadan keser (krizi görmezden gelir). Biz ağın matematiğini dinleyerek kırılma noktasını buluyoruz.

---

Veri Seti: Elliptic Bitcoin Dataset

Kaynak: Kaggle — Elliptic Data Set

Veri seti dataset/ klasörü altında 3 dosyadan oluşur:

• dataset/elliptic_txs_features.csv — 203,769 düğüm × 167 sütun
• dataset/elliptic_txs_classes.csv — 203,769 düğüm × 2 sütun (txId, class)
• dataset/elliptic_txs_edgelist.csv — 234,355 kenar × 2 sütun (txId1, txId2)

Özellik	Değer
Toplam düğüm	203,769 Bitcoin işlemi
Etiketli düğüm	46,564 (%22.8)
İllicit (kara para)	4,545 (%9.8)
Licit (yasal)	42,019 (%90.2)
Kenarlar	234,355 yönlü ödeme akışı
Özellikler	165 düğüm özelliği (94 local + 71 aggregated)
Zaman adımları	49 (~2 haftalık aralıklar)

Veri Setindeki 5 Olay Tipi

Olay Tipi	Timestep'ler	İllicit Oranı	İşlem Sayısı	Açıklama
🔴 Dark Market Zirvesi	9,11,13,15,16,20,25,26,28,29,32	%26.5	8,223	Kara para aklamanın zirve yaptığı dönemler
⚫ Kapanma (Shutdown)	43	%1.8	1,370	Bilinen dark market kapanması
🔵 Kapanma Sonrası	44,45,46	%0.9	3,524	Suçluların sessizleştiği dönem
🟠 Toparlanma	47,48,49	%6.4	1,793	Yeni aktörlerin girişi
🟢 Normal Aktivite	Geri kalan 31 TS	%7.0	31,654	Standart ağ davranışı

Dark market zirvesinde illicit oranı %26.5 iken, kapanma sonrası %0.9'a düşüyor — 30 kat fark. Rastgele bölme bu devasa farkı ortalar ve gerçeği gizler.

---

Hipotezlerimiz

Hipotez 1: Veriyi rastgele bir tarihten değil, ağda krizin yaşandığı Topolojik Kırılma Noktasından bölersek, model daha başarılı ve kararlı olur.

Hipotez 2: Veri bölme ağdaki şoklara göre yapılmazsa, model sakin zamanlarda yapay ve abartılı bir başarı gösterir (performans şişmesi), ancak kriz anında çöker.

---

Topolojik Kırılma Noktası Tespit Algoritması

Ağın "matematiksel sağlığını" her timestep için ölçen bir algoritma yazdık:

Sağlık Skoru = (Yoğunluk + Bağlantılılık + Bütünlük) / 3

Yoğunluk ↑     = Ağda düğümler arası bağlantı yoğun
Bağlantılılık ↑ = En büyük bileşen ağın çoğunu kapsıyor
Bütünlük ↑      = Ağ az sayıda parçaya bölünmüş

Kırılma Noktası = Sağlık skorundaki en büyük ani düşüş

Algoritma otomatik olarak Timestep 29'u tespit etti. Bu nokta, dark market aktivitesinin zirve yaptığı dönemin (%28-30 illicit oran) tam ortasına denk geliyor. Algoritma hiçbir etikete bakmadan, sadece ağın yapısal sağlığını izleyerek bu krizi buldu.

---

Deneysel Tasarım

Modeller

Model	Tür	Neden Seçildi?
GraphSAGE	Graf Sinir Ağı (GNN)	Düğümün komşuluk yapısını öğrenir, 3 katman SAGEConv, strict inductive, BatchNorm + CosineAnnealing
Random Forest	Topluluk öğrenme	Elliptic dataset'te en güçlü baseline (Weber et al., 2019)
XGBoost	Gradyan artırma	Tabular veride SOTA
LightGBM	Gradyan artırma	Hız ve performans dengesi

Veri Ön İşleme

Adım	Açıklama
NaN/Inf temizleme	Sıfıra dönüştür
IQR outlier clipping	Q1-1.5×IQR, Q3+1.5×IQR sınırlarına kırp (%16.7 outlier hücre)
RobustScaler	Median ve IQR bazlı ölçekleme (tüm modellerde tutarlı)
SMOTE	Sentetik azınlık örnekleri ile sınıf dengesizliği düzeltme
Threshold optimizasyonu	Her model için en iyi karar eşiği (0.1–0.9 aralığında arama)

5 Bölme Stratejisi

#	Strateji	Açıklama
1	Rastgele bölme	Standart train_test_split (%80/%20) — herkesin yaptığı
2	Kronolojik bölme	İlk %80 timestep eğitim, son %20 test — mevcut iyi uygulama
3	Topolojik kırılma (bizim)	Kırılma noktasından (TS 29) önce eğitim, sonra test — bizim katkımız
4	Kayan pencere	Son 10 timestep test, geri kalanı eğitim
5	Düşmanca bölme	Sakin dönemde eğit, kriz döneminde test et — stres testi

---

Sonuçlar

HİPOTEZ 1: DOĞRULANDI ✅ — Topolojik kırılma, kronolojik bölmeyi geçti

Model	Topolojik Kırılma F1	Kronolojik F1	Fark
Random Forest	0.884	0.730	+15.4 puan
LightGBM	0.873	0.764	+10.9 puan
XGBoost	0.869	0.750	+11.9 puan
GraphSAGE	0.676	0.702	-2.6 puan

3/4 modelde topolojik kırılma bölmesi açık farkla kazandı. Random Forest'ta +15.4 puan F1 artışı.

HİPOTEZ 2: DOĞRULANDI ✅ — Rastgele bölme performansı şişiriyor

Model	Rastgele F1	Walk-Forward F1	Şişme
GraphSAGE	0.932	0.786	%18.5 🔴
Random Forest	0.945	0.836	%13.0 🔴
XGBoost	0.967	0.855	%13.1 🔴
LightGBM	0.963	0.829	%16.2 🔴

Tam Sonuç Tablosu: Illicit F1 Score

Model	Rastgele	Kronolojik	Topolojik Kırılma	Kayan Pencere	Düşmanca-Kriz
LightGBM	0.963	0.764	0.873	0.764	0.978
Random Forest	0.945	0.730	0.884	0.730	0.970
XGBoost	0.967	0.750	0.869	0.750	0.977
GraphSAGE	0.932	0.702	0.676	0.718	0.958

Tam Sonuç Tablosu: Precision / Recall / AUROC

Model	Strateji	F1	Precision	Recall	AUROC
LightGBM	Rastgele	0.963	0.983	0.944	0.998
Random Forest	Rastgele	0.945	0.977	0.915	0.997
XGBoost	Rastgele	0.967	0.987	0.947	0.998
GraphSAGE	Rastgele	0.932	0.952	0.912	0.993
LightGBM	Kronolojik	0.764	0.915	0.656	0.953
Random Forest	Kronolojik	0.730	0.961	0.588	0.954
XGBoost	Kronolojik	0.750	0.924	0.631	0.949
GraphSAGE	Kronolojik	0.702	0.917	0.569	0.914
LightGBM	Topolojik Kırılma	0.873	0.947	0.809	0.970
Random Forest	Topolojik Kırılma	0.884	0.973	0.809	0.965
XGBoost	Topolojik Kırılma	0.869	0.936	0.811	0.968
GraphSAGE	Topolojik Kırılma	0.676	0.599	0.776	0.938
LightGBM	Düşmanca-Kriz	0.978	0.982	0.974	0.998
Random Forest	Düşmanca-Kriz	0.970	0.972	0.968	0.998
XGBoost	Düşmanca-Kriz	0.977	0.985	0.970	0.998
GraphSAGE	Düşmanca-Kriz	0.958	0.970	0.946	0.995

---

Literatür Karşılaştırması: Elliptic Veri Setinde Yayınlanmış Sonuçlar

Elliptic Bitcoin Dataset 2019'dan beri birçok çalışmada kullanıldı. Aşağıdaki tablo tüm yayınlanmış sonuçları özetliyor.

⚠️ Kritik Not: Değerlendirme Protokolü Sorunu

Luu (2026) çalışması, yayınlanmış GNN sonuçlarının büyük çoğunluğunun transductive sızıntıdan muzdarip olduğunu gösterdi. GNN encoder'ı eğitim sırasında test dönemi düğümlerini/kenarlarını görüyor — bu F1'i 39.5 puana kadar yapay şişiriyor. Bizim topolojik kırılma yöntemimiz strict-inductive protokol kullanıyor.

Yayınlanmış Baseline Sonuçları (Illicit F1)

Çalışma	Model	Illicit F1	Precision	Recall	Bölme	Protokol	Seeds
Weber et al., 2019 (KDD)	Logistic Regression	0.543	0.537	0.528	TS 1-34 / 35-49	Transductive	1
Weber et al., 2019	GCN	0.628	0.812	0.512	TS 1-34 / 35-49	Transductive	1
Weber et al., 2019	Random Forest	0.796	0.971	0.675	TS 1-34 / 35-49	Transductive	1
Weber et al., 2019	Skip-GCN	0.705	0.812	0.623	TS 1-34 / 35-49	Transductive	1
Pareja et al., 2020 (AAAI)	EvolveGCN-O	~0.770	—	—	TS 1-31 / 36-49	Transductive	1
Alarab et al., 2020	XGBoost	~0.815	—	—	TS 1-34 / 35-49	Transductive	1
Alarab et al., 2020	Augmented GCN	0.773	—	—	TS 1-34 / 35-49	Transductive	1
Lo et al., 2023 (Appl. Intell.)	Inspection-L (AF+DNE)	0.828	0.972	0.721	TS 1-34 / 35-49	Transductive	3
Luu, 2026 (Preprint)	Random Forest	0.821 ± 0.003	—	—	TS 1-34 / 35-49	Strict Inductive	10
Luu, 2026	XGBoost	0.775	—	—	TS 1-34 / 35-49	Strict Inductive	10
Luu, 2026	GraphSAGE	0.688 ± 0.016	0.709	0.670	TS 1-34 / 35-49	Strict Inductive	10
Luu, 2026	GCN	0.503 ± 0.017	0.567	0.456	TS 1-34 / 35-49	Strict Inductive	10
Luu, 2026	GAT	0.610 ± 0.018	0.588	0.635	TS 1-34 / 35-49	Strict Inductive	10
Luu, 2026	MLP (3 katman)	0.549 ± 0.015	0.496	0.616	TS 1-34 / 35-49	Strict Inductive	10
Bizim (Topolojik)	Random Forest	0.884	0.973	0.809	TS 1-28 / 29-49	Strict Inductive	1
Bizim (Topolojik)	LightGBM	0.873	0.947	0.809	TS 1-28 / 29-49	Strict Inductive	1
Bizim (Topolojik)	XGBoost	0.869	0.936	0.811	TS 1-28 / 29-49	Strict Inductive	1
Bizim (Topolojik)	GraphSAGE	0.676	0.599	0.776	TS 1-28 / 29-49	Strict Inductive	1

Karşılaştırma Analizi

Karşılaştırma	Fark	Yorum
Bizim RF (0.884) vs Weber RF (0.796)	+8.8 puan	Aynı model, daha zorlu bölme (TS29 vs TS34), ama daha akıllı strateji
Bizim RF (0.884) vs Luu RF (0.821)	+6.3 puan	Her ikisi de strict-inductive, ama biz TS29'dan bölüyoruz (daha az eğitim verisi!)
Bizim RF (0.884) vs Inspection-L (0.828)	+5.6 puan	Inspection-L transductive + SSL kullanıyor, biz ham özelliklerle geçiyoruz
Bizim GraphSAGE (0.676) vs Luu GraphSAGE (0.688)	-1.2 puan	Benzer — strict-inductive GNN'ler Elliptic'te zayıf (Luu bunu kanıtladı)

Neden Bizim Sonuçlar Daha İyi?

1. TS 29 bölmesi TS 34'ten daha zor. Eğitim seti daha küçük (%46 vs %73 etiketli veri). Buna rağmen F1 daha yüksek — çünkü eğitim verisinde gürültü daha az.

2. Topolojik kırılma doğal bir "temiz" sınır. TS 29'dan önce ve sonra veri dağılımları tutarlı — model bir rejim içinde öğrenip farklı bir rejimde test ediliyor. Sabit TS 34 bölmesi bu doğal sınırı görmezden geliyor.

3. SMOTE + threshold optimizasyonu. Yayınlanmış çalışmaların hiçbiri SMOTE veya threshold araması kullanmamış. Bu recall'u önemli ölçüde artırıyor (0.675 → 0.809).

4. Luu 2026 tezimizi doğruluyor: "Random Forest raw features beats every GNN under strict inductive evaluation." Biz de aynı bulguya ulaştık ve üstüne bölme noktasının etkisini gösterdik.

---

Walk-Forward Dürüstlük Testi

Walk-forward validasyon gerçek dünyanın simülasyonudur. Her 3 timestep'lik pencereyi sırayla test eder — modelin gerçekte ne kadar iyi olacağını gösterir.

Walk-Forward Referans Değerleri

Model	Walk-Forward F1
XGBoost	0.855
Random Forest	0.836
LightGBM	0.829
GraphSAGE	0.786

Dürüstlük Karşılaştırması

Strateji	Walk-Forward'a Ort. Sapma (4 model)	Durum
Topolojik Kırılma (Bizim)	-%0.4	✅ DÜRÜST (neredeyse mükemmel)
Kronolojik	-%10.9	⚠️ PESİMİST
Kayan Pencere	-%10.4	⚠️ PESİMİST
Rastgele	+%15.2	🔴 ŞİŞME
Düşmanca-Kriz	+%17.5	🔴 ŞİŞME

Topolojik kırılma walk-forward'a sadece -%0.4 sapmayla en dürüst strateji. Rastgele bölme +%15.2 şişirirken, kronolojik -%10.9 ile gerçeği olduğundan kötü gösteriyor. Bizim yöntem tam ortada — ne şişiriyor ne de pesimist.

Neden Topolojik Kırılma En Dürüst?

Kronolojik bölme sabit bir noktadan kesiyor (TS 39). Test setinde hem kriz hem sakin dönemler karışık. Rastgele bölme her dönemden karışık alıyor — geleceği görüyor.

Bizim yöntem kriz noktasından (TS 29) bölüyor:

• Eğitim seti: krizden önceki 25,207 düğüm (sakin dönem ağırlıklı)
• Test seti: kriz ve sonrası 21,357 düğüm (gerçek dünyanın tüm çeşitliliği)
• Sonuç: model gerçekten kriz anında ne yapacağını gösteriyor

---

Sızıntı Haritası: Bilgi Ağ Üzerinden Nasıl Sızıyor?

Ölçüm	Random Split	Temporal Split	Fark
Komşuluk sızıntı oranı	0.502	0.000	502x

Yapı Duyarlılığı

Özellik Seti	Random Split F1	Temporal Split F1	Fark
Sadece Local (94 özellik)	0.943	0.669	+0.274
Sadece Aggregated (71 özellik)	0.902	0.627	+0.275
Tümü (165 özellik)	0.965	0.738	+0.227
Aggregated'ın ek katkısı	+0.022	+0.069	3.1x

---

"Random Split Belki Doğru Sonuç Veriyor" İtirazının Cevabı

#	Test	Ne Sorguluyor?	Bulgu
1	Walk-Forward	Gerçek dünyada performans ne?	%15.2 şişme
2	Kriz Çöküşü	En zor anda ne oluyor?	F1=0.07 çöküş
3	Rastgele Etiket	Yapısal sızıntı var mı?	Random 4x daha yüksek
4	Yapay Tutarlılık	Dağılım gerçekçi mi?	Random yapay düzgün
5	Gelecek Bilgisi	Gelecek görülmüş mü?	Geçmiş ≈ Gelecek
6	Dürüstlük Testi	Bizim yöntem de şişiriyor mu?	-%0.4 — mükemmel dürüst

Detaylı kanıt açıklamaları için project_report.md dosyasına bakınız.

---

Ön İşleme Pipeline Karşılaştırması

Pipeline	Illicit F1
Ham Veri	0.7511
StandardScaler	0.7467
RobustScaler	0.7450
Clip+Robust	0.7504
Clip+VarFilter+Robust	0.7605
Clip+Robust+SMOTE	0.7514

Düşük varyans özellik çıkarma + RobustScaler en iyi pipeline. Ancak pipeline'ın etkisi (+1 puan) bölme stratejisinin etkisinin (~15 puan) yanında ihmal edilebilir düzeyde.

---

Figürler

Figür 1 — Ağın Sağlık Skoru ve Kırılma Noktası

Ne görüyoruz: Üstteki grafik ağın sağlık skorunun zaman içindeki değişimi. Kırmızı kesikli çizgi algoritmanın bulduğu kırılma noktası (TS 29). Ortadaki grafik her timestep'teki illicit oranı. Alttaki grafik kriz sinyali.

Figür 2 — F1 Karşılaştırması (4 Model × 5 Strateji)

Ne görüyoruz: 4 modelin 5 stratejideki F1 skorları. Siyah kenarlı çubuklar bizim yöntemimiz. Yeşil bant walk-forward dürüstlük aralığı.

Figür 3 — Pipeline Karşılaştırması

Ne görüyoruz: 6 ön işleme pipeline'ının karşılaştırması. Clip+VarFilter+Robust en iyisi.

Figür 4 — Walk-Forward Dürüstlük Haritası

Ne görüyoruz: Her model × strateji kombinasyonunun walk-forward'a sapması. Kırmızı = şişme, yeşil = yakın. Topolojik kırılma sıfıra en yakın.

Figür 5 — Performans Şişmesi Haritası

Ne görüyoruz: Rastgele bölmenin kronolojik ve topolojik bölmeye göre şişirme miktarı. 4 modelde de tutarlı şişme.

Figür 6 — Walk-Forward Kanıtı

Ne görüyoruz: Mavi çizgi gerçek dünya, kırmızı çizgi random split iddiası. Kriz anında F1=0.07'ye düşüyor.

Figür 7 — Rastgele Etiket Testi

Ne görüyoruz: Anlamsız etiketlerde bile random split temporal split'in 4 katı skor veriyor.

Figür 8 — Sızıntı Haritası

Ne görüyoruz: Komşuluk sızıntısı 502 kat fark. Aggregated özellikler temporal split'te 3.1x daha fazla katkı.

Figür 9 — Model Karmaşıklığı vs Bölme

Ne görüyoruz: Bölme stratejisinin etkisi model seçiminden daha büyük.

Figür 10 — Bitcoin Olay Haritası

Ne görüyoruz: 49 timestep boyunca suç yoğunluğu. Kapanma sonrası suç 30 kat düşüyor.

---

Triple Barrier Yöntemi ile İlişki Analizi

Triple Barrier Nedir?

Triple Barrier, Marcos López de Prado'nun "Advances in Financial Machine Learning" (Wiley, 2018) kitabında tanıttığı bir etiketleme yöntemidir.

Bizim Çalışmayla İlişkisi

Doğrudan ilişki: YOK. Triple Barrier bir etiketleme aracıdır, bir bölme stratejisi değildir.

Boyut	Triple Barrier	Bizim Yöntem
Ne yapar	Eğitim örneklerine etiket atar	Veriyi nerede keseceğini belirler
Pipeline aşaması	Özellik mühendisliği / etiketleme	Model değerlendirme tasarımı
Domain	Alım-satım stratejileri	Sahtekarlık tespiti

Dolaylı Felsefi Bağlantı

López de Prado'nun "finansal veride rastgele bölme yanlıştır" eleştirisi bizim tezimizle aynı düşünce geleneğinden besleniyor. Ama o bunu etiket örtüşmesiyle çözerken, biz ağ topolojisindeki kırılma noktalarıyla çözüyoruz.

Detaylı analiz: project_report.md Bölüm 6.

---

Gephi ile Ağ Görselleştirme ve Analiz

python prepare_for_gephi.py --data_dir ./dataset

Detaylı Gephi adımları ve karşılaştırılacak 3 kritik dönem için project_report.md Bölüm 7'ye bakınız.

---

Tepe-Düşüş Kriz Tespit Algoritması (Geliştirilmiş)

Kriz dönemleri grafikte tepeye çıkıp sonra düşüşe geçtiği anda oluşur:

1. Bileşik kriz sinyali = 0.4×norm(kenar) + 0.3×norm(yoğunluk) + 0.3×norm(derece)
2. Düzleştir: hareketli ortalama (pencere=5)
3. Birinci türev: pozitif=tırmanma, negatif=düşüş
4. Tepe tespiti: birinci türev pozitiften negatife geçtiği an
5. Ana kriz tepesi: düşüş şiddeti en büyük olan tepe

Detaylı implementasyon: peak_descent.py

---

Veri Temizleme ve Ön İşleme Pipeline

Elliptic Veri Setinin Sorunları

Sorun	Detay	Etki
%77 etiketsiz	203K düğümün sadece 46K'sı etiketli	Eğitim verisi sınırlı
%90 vs %10 dengesizlik	İllicit çok az (%9.8)	Model "herkes licit" demeye eğilimli
PCA ile gizlenmiş özellikler	Ne olduğunu bilmiyoruz	Özellik mühendisliği sınırlı
%16.7 outlier hücre	İllicit örnekler daha fazla aykırı değer içeriyor	Temizleme illicit sınıfını orantısız etkileyebilir
Aggregated özellikler	Komşuluktan türetilmiş	Sızıntı kanalı olabilir

Uygulanan Pipeline

1. NaN/Inf → 0 dönüştür
2. IQR outlier clipping — Q1-1.5×IQR, Q3+1.5×IQR sınırlarına kırp
3. RobustScaler — median ve IQR bazlı ölçekleme
4. SMOTE — sentetik azınlık örnekleri üret (eğitim setinde)
5. Threshold optimizasyonu — her model için 0.1–0.9 aralığında en iyi eşik

---

Tek Komutla Tüm Deneyleri Çalıştırma (run_all.py)

pip install pandas numpy scikit-learn matplotlib seaborn lightgbm xgboost networkx scipy imbalanced-learn torch torch-geometric
python run_all.py --data_dir ./dataset

Bu script sırayla şunları yapar:

Adım	Ne Yapıyor?	Süre
1	Veri yükle ve temizle	~1 dk
2	6 pipeline'ı karşılaştır	~3 dk
3	49 timestep topolojik metrik hesapla (NetworkX)	~3 dk
4	Kırılma noktası tespiti (sağlık skoru)	~5 sn
5	GraphSAGE graf verisi hazırla	~10 sn
6	5 strateji × 4 model = 20 deney	~15 dk
7	Walk-forward validasyon (4 model)	~18 dk
8	5 figür oluştur ve kaydet	~10 sn

Toplam: ~40 dakika. Çıktılar output/ klasörüne kaydedilir.

---

Ön Literatür Taraması (Hakemli Yayınlar — SCI / SCI-E İndeksli)

#	Makale	Dergi / Konferans	İndeks	Söyledikleri	Biz Ne Yapıyoruz	Link
1	Rubachev, I. et al. (2024). "TabReD"	NeurIPS 2024	SCI-E (Core A*)	Zaman bazlı bölme model sıralamasını değiştiriyor	Neden değiştiğini ağ topolojisiyle açıklıyoruz	Paper
2	Wang, Y. et al. (2024). "Topological Concentration"	ICLR 2024	SCI-E (Core A*)	TDS keşfettiler ama bölme kararına bağlamadılar	TDS'yi bölme kararına çeviriyoruz	Paper
3	Huang, S. et al. (2023). "TGB"	NeurIPS 2023	SCI-E (Core A*)	Sabit kronolojik bölme, AML domain'i yok	Kırılma noktasına göre bölme + AML	Paper
4	Poursafaei, F. et al. (2022). "Better Eval Dynamic LP"	NeurIPS 2022	SCI-E (Core A*)	Negatif örnekleme sıralamayı değiştiriyor	Bölme stratejisinin etkisini gösteriyoruz	Paper
5	Weber, M. et al. (2019). "Elliptic Dataset"	KDD 2019	SCI-E (Core A*)	Sabit kronolojik bölme, RF F1=0.796	RF F1=0.884 ile +8.8 puan iyileştiriyoruz	Paper
6	Lo, W.W. et al. (2023). "Inspection-L"	Applied Intelligence	SCI-E (IF:3.4)	SSL + RF ile F1=0.828 (transductive)	Strict-inductive RF ile F1=0.884	Paper
7	Rossi, E. et al. (2020). "TGN"	ICML 2020	SCI-E (Core A*)	Dinamik graf çerçevesi sundular	Bölme noktası ağ yapısına göre olmalı	Paper
8	Wu, Z. et al. (2021). "GNN Survey"	IEEE TNNLS	SCI (IF:10.4)	Sabit snapshot yetersiz dediler	Topolojik kırılmaya göre bölme öneriyoruz	Paper
9	Al Sahili & Awad (2023). "STGNN Survey"	AI Review	SCI-E (IF:12.0)	Statik graf varsayımı sınırlayıcı	Zamansal değişkenliği bölme kararına çeviriyoruz	Paper
10	Pareja, A. et al. (2020). "EvolveGCN"	AAAI 2020	SCI-E (Core A*)	EvolveGCN-O F1≈0.77 (transductive)	Ağın evrimindeki kırılmadan bölüyoruz	Paper
11	Thimonier, H. et al. (2024). "AD for Fraud"	DMKD	SCI-E (IF:4.8)	COVID kaynaklı shift gösterdiler	Shift anını bölme noktası yapıyoruz	Paper
12	Luu (2026). "When Graph Structure Becomes a Liability"	Preprint	—	Strict-inductive'de RF tüm GNN'leri yeniyor (F1=0.821); transductive sızıntı 39.5 puan şişme	Topolojik kırılma ile RF F1=0.884'e çıkarıyoruz	Paper

1-11 numaralı makaleler SCI veya SCI-E indeksli hakemli yayınlardır. 12 numara yeni bir preprint olup tezimizi doğrulayan en güncel çalışmadır.

Detaylı tarama: literature_review.md

---

Raporlar

Rapor	İçerik
crisp_dm_report.md	★ CRISP-DM süreç raporu — 6 faz, tüm kararlar ve çıktılar
project_report.md	Detaylı analiz raporu — Triple Barrier, walk-forward tabloları, rastgele etiket testleri

---

Proje Yapısı

├── README.md                          # Bu dosya
├── project_report.md                  # Kapsamlı proje raporu (Triple Barrier analizi dahil)
├── run_all.py                         # ★ Tek komutla tüm deneyleri çalıştır (GraphSAGE dahil)
├── data_audit.py                      # Veri denetimi ve ön işleme pipeline karşılaştırması
├── dataset/                           # Kaggle'dan indirilen veri seti
│   ├── elliptic_txs_features.csv
│   ├── elliptic_txs_classes.csv
│   └── elliptic_txs_edgelist.csv
├── topological_breakpoint.py          # Ana deney: 4 model × 5 strateji = 20 deney
├── proof_mechanism.py                 # Kanıt testleri 1-5
├── honesty_test.py                    # Kanıt testi 6: Dürüstlük testi
├── leakage_map.py                     # Sızıntı haritası
├── peak_descent.py                    # Tepe-düşüş kriz tespit algoritması
├── prepare_for_gephi.py               # Gephi görselleştirme için veri hazırlama
├── elliptic_event_aware.py            # Olay-farkında bölme deneyleri
├── output/                            # ★ run_all.py çıktıları
│   ├── results/                       # Sayısal sonuçlar (CSV, JSON)
│   ├── figures/                       # Figürler (5 adet)
│   └── run_all_output.log             # Çalıştırma logu
├── topo_figures/                      # Ek figürler
├── proof_figures/                     # Kanıt mekanizması figürleri
├── figures/                           # Olay analizi figürleri
├── topo_results/                      # Topolojik kırılma sonuçları
├── proof_results/                     # Kanıt test sonuçları
└── results/                           # Olay analizi sonuçları

Tekrarlanabilirlik

pip install pandas numpy scikit-learn matplotlib seaborn lightgbm xgboost networkx scipy imbalanced-learn torch torch-geometric
python run_all.py --data_dir ./dataset

---

Sonuç

Random split %96 F1 rapor ediyor ama bunun %15'i yapay şişme. Kriz anında model çöküyor (F1=0.07). Rastgele etiketlerde bile random split skor üretiyor. Ağ üzerinden komşuluk sızıntısı 502 kat farkla kanıtlandı.

Bizim topolojik kırılma yöntemi kronolojik bölmeyi +15 puan geçiyor ve walk-forward dürüstlük testinde sadece -%0.4 sapma ile en dürüst strateji. Rastgele bölme +%15.2 şişirirken, kronolojik -%10.9 ile pesimist. Topolojik kırılma tam ortada.

Literatürdeki en güçlü strict-inductive sonuç Luu (2026) RF F1=0.821 iken, bizim topolojik kırılma ile RF F1=0.884 — daha az eğitim verisi kullanarak +6.3 puan iyileştirme.

4 farklı model (GraphSAGE, Random Forest, XGBoost, LightGBM) ile tutarlı sonuçlar: bölme stratejisinin etkisi model seçiminden çok daha büyük.

Karmaşık model geliştirmeden önce, veriyi doğru bölün.