MucahitSylmz
/

elliptic-event-aware-splitting

Model card Files Files and versions

xet

Community

Mucahit S. commited on 29 days ago

Commit

0a77ccd

verified ·

1 Parent(s): d44aa61

Full README update: Topological Breakpoint results, GraphSAGE, Hypothesis tests, 11-paper lit review

Browse files

Files changed (1) hide show

README.md +163 -192

README.md CHANGED Viewed

@@ -1,239 +1,216 @@
-# 🔬 Olay-Farkında Veri Bölme: Bitcoin Kara Para Aklama Tespiti İçin Yeni Bir Kural
 > **"Karmaşık yapay zekâ modelleri geliştirmeden önce, verinizi doğru bölün."**
-## 📌 Özet (Abstract)
-Bu çalışma, Bitcoin kara para aklama (AML) tespit sistemlerinin değerlendirilmesinde **"Olay-Farkında Veri Bölme"** (Event-Aware Data Splitting) paradigmasını tanıtmaktadır. Elliptic Bitcoin Dataset üzerinde yaptığımız kapsamlı deneyler, **veri bölme stratejisinin raporlanan performans üzerinde model seçiminden çok daha büyük etkiye sahip olduğunu** ve standart kronolojik/rastgele bölmenin kritik açıklıkları gizlediğini göstermektedir.
-**Ana katkımız:** Dark market operasyonları, piyasa kapanmaları ve toparlanma dönemleri gibi gerçek-dünya olaylarına saygı duyan bir bölme metodolojisi.
 ---
-## 🎯 Problem Tanımı
-### a) Bağlam (Domain, Karar Problemi, Verinin Yapısı)
-Kripto para dünyasını devasa bir sosyal ağ olarak düşünün:
-- **Cüzdanlar** → İnsanları (düğümleri) temsil eder
-- **Para transferleri** → Aralarındaki ilişkileri (kenarları) temsil eder
-- **Amaç** → Bu ağın içinde kara para aklayan kötü niyetli aktörleri bulmak
-Bu ağ **statik değildir** — zamanla büyür, küçülür ve değişir. Dark market kapanmaları, düzenleyici operasyonlar ve piyasa çöküşleri ağın yapısını kökten değiştirir.
-### b) Literatürdeki Mevcut Yaklaşım
-Mevcut bilim insanları yapay zekâyı eğitirken genellikle **takvime veya saate** bakarlar:
-- **Kronolojik bölme:** "İlk 34 timestep eğitim, son 15 timestep test"
-- **Kayan pencere:** Sabit pencere boyutu ile ileri kaydırma
-- **Rastgele bölme:** Her timestep'ten rastgele örnekleme (en yaygın ama en tehlikeli)
-Bu yaklaşımlar, zamanı **düz bir çizgi** olarak kabul edip veriyi belirli noktalardan keser. Ağdaki **olayları** görmezden gelir.
-### c) Bizim Katkımız: Olay-Farkında Bölme
-Biz zamanı düz bir çizgi olarak değil, **olaylar zinciri** olarak görüyoruz:
 ```
-Normal → [Dark Market Zirvesi] → Normal → [KAPANMA] → [Sessizlik] → [Toparlanma] → Normal
 ```
-**Her olay, ağın yapısını ve suç örüntülerini kökten değiştirir.**
----
-## 📊 Elliptic Bitcoin Dataset
-| 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** | 166 (orijinal) + 8 (ağ topolojisi) = 173 |
-| **Zaman adımları** | 49 (~2 haftalık aralıklar) |
-### Veri Setindeki Olay Haritası
-![Bitcoin Olay Haritası](figures/fig1_bitcoin_event_map.png)
-### Tanımladığımız 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 |
-> **Kritik gözlem:** 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.
 ---
-## 🔑 Ana Bulgular
-### Bulgu 1: Kronolojik Bölme ile F1 Skorunda %25-47 Çöküş
-| Model | Rastgele F1 | Kronolojik F1 | **Düşüş** |
-|-------|-----------|-------------|----------|
-| Logistic Regression | 0.584 | 0.310 | **-47%** 🔴 |
-| Random Forest | 0.940 | 0.707 | **-25%** 🔴 |
-| XGBoost | 0.961 | 0.714 | **-26%** 🔴 |
-| LightGBM | 0.965 | 0.720 | **-25%** 🔴 |
-**Rastgele bölme ile %96 F1 rapor eden bir model, gerçek dünyada %72'ye düşüyor!**
-### Bulgu 2: AUROC'ta Dramatik Performans Farkları
-| Model | Rastgele AUROC | Kronolojik AUROC | Olay-Farkında AUROC | Fark |
-|-------|---------------|-----------------|--------------------|----|
-| LR | 0.959 | 0.880 | 0.912 | **-8.2%** |
-| RF | 0.997 | 0.957 | 0.986 | **-4.0%** |
-| XGB | 0.998 | 0.954 | 0.989 | **-4.5%** |
-| LGBM | 0.999 | 0.955 | 0.991 | **-4.3%** |
-### Bulgu 3: AUPRC'de Gerçek Tablo Ortaya Çıkıyor
-| Model | Rastgele AUPRC | Kronolojik AUPRC | **Düşüş** |
-|-------|---------------|------------------|----|
-| LR | 0.705 | 0.315 | **-55%** 🔴 |
-| RF | 0.981 | 0.737 | **-25%** 🔴 |
-| XGB | 0.990 | 0.772 | **-22%** 🔴 |
-| LGBM | 0.991 | 0.774 | **-22%** 🔴 |
-> **Logistic Regression'ın AUPRC'si %55 düşüyor!** Bu, modelin gerçek dünyada neredeyse işe yaramaz hale geldiği anlamına gelir.
-### Bulgu 4: Dark Market Kapanması — Modelin Kör Noktası
-Timestep 43'te (dark market kapanması) modeller büyük zorluk yaşıyor:
-- İllicit sayısı aniden 239'dan 24'e düşüyor
-- Yeni suç örüntüleri ortaya çıkıyor
-- **Inspection-L makalesinde de bu çöküş doğrulanmıştır** (Lo et al., 2022)
 ---
 ## 📈 Görselleştirmeler
-### Performans Isı Haritası
-![Performans Isı Haritası](figures/fig2_performance_heatmap.png)
-### AUROC Karşılaştırması
-![AUROC Karşılaştırması](figures/fig3_auroc_comparison.png)
-### Timestep Bazında Performans Çöküşü
-![Timestep Performans](figures/fig4_timestep_performance.png)
-### Olay Tipine Göre Performans
-![Olay Performans](figures/fig5_event_performance.png)
-### Degradasyon Isı Haritası
-![Degradasyon](figures/fig6_degradation_heatmap.png)
-### Ana İçgörü: Bölme Stratejisi > Model Karmaşıklığı
-![Karmaşıklık vs Bölme](figures/fig7_complexity_vs_splitting.png)
-### Ağ Topolojisi ve Olaylar
-![Ağ Topolojisi](figures/fig8_network_topology.png)
----
-## 🧠 Olay-Farkında Bölme Algoritması
-```python
-def split_event_aware(X, y, timesteps, events, test_ratio=0.2):
-    """
-    OLAY-FARKINDA BÖLME — Ana Katkımız
-    Algoritma:
-    1. Her olay tipinden son oluşumları test setine ata
-    2. Olay pencerelerini bütün tut (asla bir olayı bölme)
-    3. Test seti tüm olay tiplerini temsil etsin
-    4. Kronolojik sırayı mümkün olduğunca koru
-    """
-    test_timesteps = set()
-    for event in unique_events:
-        event_ts = sorted(get_timesteps_for(event))
-        n_test = max(1, int(len(event_ts) * test_ratio))
-        test_timesteps.update(event_ts[-n_test:])
-    train_mask = timesteps NOT IN test_timesteps
-    test_mask = timesteps IN test_timesteps
-    return X[train_mask], X[test_mask], y[train_mask], y[test_mask]
-```
-### Bitcoin Ağı İçin Olay Tanımlama Kriterleri
-| Olay | Tanımlama Kriteri |
-|------|------------------|
-| **Dark Market Zirvesi** | İllicit oranı > %18 olan timestep'ler |
-| **Kapanma** | TS 43 (bilinen dark market kapanması, literatürde doğrulanmış) |
-| **Kapanma Sonrası** | TS 44-46 (kapanma sonrası 3 zaman adımı, illicit < %1) |
-| **Toparlanma** | TS 47-49 (illicit oranının tekrar yükselmeye başladığı dönem) |
-| **Normal** | Yukarıdakilerin hiçbirine uymayan timestep'ler |
 ---
-## 🔬 Deneysel Tasarım
-### 5 Bölme Stratejisi
-| # | Strateji | Açıklama | Kim Kullanıyor? |
-|---|----------|---------|----------------|
-| 1 | **Rastgele (Naive)** | Standart `train_test_split` | Çoğu makale |
-| 2 | **Kronolojik (Mevcut)** | İlk %80 eğitim, son %20 test | Mevcut iyi uygulamalar |
-| 3 | **Olay-Farkında (Bizim)** | Olay pencerelerini saygı göz. | **Bizim katkımız** |
-| 4 | **Tabakalı-Kronolojik** | Her olay tipinde kronolojik | Gelişmiş yaklaşım |
-| 5 | **Düşmanca-Olay** | Sadece normalda eğit, olaylarda test et | Stres testi |
-### 4 Model (Kasıtlı Olarak Basit)
-Modelleri kasıtlı olarak basit tuttuk — **mesele model değil, bölme stratejisi:**
-- Logistic Regression (temel)
-- Random Forest (topluluk, 300 ağaç)
-- XGBoost (gradyan artırma, 300 tur)
-- LightGBM (gradyan artırma, 300 tur)
 ---
-## 💡 Pratik Öneriler
-### Araştırmacılar İçin
-1. **Asla rastgele bölme kullanmayın** — en azından kronolojik bölme yapın
-2. **Olay tipine göre kırılım raporlayın** — genel metrikler kritik açıklıkları gizler
-3. **Düşmanca-olay değerlendirmesi ekleyin** — modelin gerçek stres testi budur
-4. **AUPRC'yi birincil metrik olarak kullanın** — dengesiz verilerde AUROC yanıltıcıdır
-### Uygulayıcılar İçin
-1. **Üretim modelinizi görmediği olay dönemlerinde test edin**
-2. **Olay tipine göre performans izleme** sistemi kurun
-3. **Büyük olaylardan önce yeniden eğitin** (düzenleyici değişiklikler, piyasa olayları)
-4. **Doğru bölmeyle basit model > Yanlış bölmeyle karmaşık model**
 ---
 ## 📁 Proje Yapısı
 ```
-├── README.md                              # Bu dosya
-├── elliptic_event_aware.py                # Tam deney kodu (tekrarlanabilir)
-├── figures/
-│   ├── fig1_bitcoin_event_map.png         # Bitcoin olay haritası
-│   ├── fig2_performance_heatmap.png       # Performans ısı haritası
-│   ├── fig3_auroc_comparison.png          # AUROC karşılaştırması
-│   ├── fig4_timestep_performance.png      # Timestep bazında çöküş
-│   ├── fig5_event_performance.png         # Olay tipine göre performans
-│   ├── fig6_degradation_heatmap.png       # Degradasyon ısı haritası
-│   ├── fig7_complexity_vs_splitting.png   # Model karmaşıklığı vs bölme
-│   └── fig8_network_topology.png          # Ağ topolojisi ve olaylar
-├── results/
-│   ├── experiment_results.csv             # Tüm sonuçlar (tablo)
-│   ├── detailed_event_results.json        # Olay tipine göre kırılım
-│   ├── timestep_results.json              # Timestep bazında kırılım
-│   └── experiment_summary.json            # Özet istatistikler
 ```
 ---
@@ -241,49 +218,43 @@ Modelleri kasıtlı olarak basit tuttuk — **mesele model değil, bölme strate
 ## 🔄 Tekrarlanabilirlik
 ```bash
-pip install pandas numpy scikit-learn matplotlib seaborn lightgbm xgboost huggingface_hub
-python elliptic_event_aware.py
-```
-Tüm deneyler CPU üzerinde ~5 dakikada çalışır. GPU gerekmez.
 ---
-## 📚 İlgili Çalışmalar
-| Makale | İlgisi |
-|--------|--------|
-| **Weber et al. (2019)** — Anti-Money Laundering in Bitcoin | Elliptic Dataset'in orijinal makalesi. RF > GCN bulgusu. [Paper](https://arxiv.org/abs/1908.02591) |
-| **Lo et al. (2022)** — Inspection-L | TS 43'te dark market kapanması sonrası F1 çöküşünü ilk gösteren makale. [Paper](https://arxiv.org/abs/2203.10465) |
-| **TabReD (2024)** — Yandex | 100 tabular veri setinin 11'inde veri sızıntısı bulundu. Zaman bazlı bölme gerekliliği. [Paper](https://arxiv.org/abs/2406.19380) |
-| **Pareja et al. (2019)** — EvolveGCN | GCN'leri RNN ile bağlayarak zamansal dinamikleri yakalama girişimi. |
 ---
 ## 📖 Atıf
 ```bibtex
-@misc{elliptic_event_aware_splitting_2026,
-  title={Olay-Farkında Veri Bölme: Bitcoin Kara Para Aklama Tespiti İçin Yeni Bir Kural},
   author={Moco22},
   year={2026},
   howpublished={\url{https://huggingface.co/Moco22/elliptic-event-aware-splitting}},
-  note={Elliptic Bitcoin Dataset üzerinde veri bölme stratejisinin model seçiminden daha önemli olduğunu gösteren çalışma}
 }
 ```
 ---
-## ⚠️ Anahtar Mesaj
-> **Rastgele bölme ile LightGBM %96.5 F1 rapor ediyor.**
-> **Kronolojik bölme ile aynı LightGBM %72.0 F1'e düşüyor.**
->
-> Bu %24.5'lik fark, hiçbir model iyileştirmesiyle kapatılamaz.
-> Modelden önce, veriyi nasıl böldüğünüzü düşünün.
->
-> **Doğru bölme + basit model > Yanlış bölme + karmaşık model.**
----
-*🤗 Hugging Face ile oluşturulmuştur*

+# 🔬 Topolojik Kırılma Noktasına Göre Veri Bölme: Bitcoin Kara Para Aklama Tespiti
 > **"Karmaşık yapay zekâ modelleri geliştirmeden önce, verinizi doğru bölün."**
+---
+## 📌 Özet
+Bu çalışma, Bitcoin kara para aklama (AML) tespit sistemlerinde **"Topolojik Kırılma Noktasına Göre Veri Bölme"** adlı yepyeni bir metodoloji sunmaktadır. Mevcut yaklaşımlar veriyi takvime göre sabit bir noktadan bölerken, biz ağın **matematiksel sağlığının çöktüğü kriz anını** otomatik olarak tespit edip veriyi tam o noktadan kesiyoruz.
+Elliptic Bitcoin Dataset üzerinde **GraphSAGE (GNN) + 3 klasik model × 5 bölme stratejisi = 20 deney** gerçekleştirdik. Sonuçlar her iki hipotezimizi de doğruladı.
 ---
+## 🎯 Problem ve Hipotezler
+### Bağlam
+Kripto para dünyası devasa bir sosyal ağdır. Cüzdanlar insanları, para transferleri aralarındaki ilişkileri temsil eder. Amacımız bu ağın içinde kara para aklayan aktörleri bulmaktır. Ancak bu ağ statik değildir — dark market kapanmaları, düzenleyici operasyonlar ve piyasa çöküşleri ağın yapısını kökten değiştirir.
+### Literatürdeki Boşluk
+Mevcut bilim insanları veriyi bölerken takvime bakarlar: "İlk 34 timestep eğitim, son 15 test." Ama gerçek hayatta olaylar takvime göre düzenli ilerlemez. Ağın yapısal olarak çöktüğü kriz anlarına bakılmıyor.
+### 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 Sonucu
+![Topolojik Kırılma Noktası](topo_figures/fig1_topological_breakpoint.png)
+**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
+### Veri: Elliptic Bitcoin Dataset
+| Özellik | Değer |
+|---------|-------|
+| Toplam düğüm | 203,769 Bitcoin işlemi |
+| Etiketli düğüm | 46,564 |
+| İllicit (kara para) | 4,545 (%9.8) |
+| Kenarlar | 234,355 yönlü ödeme akışı |
+| Özellikler | 165 düğüm özelliği |
+| Zaman adımları | 49 (~2 haftalık aralıklar) |
+### Modeller
+| Model | Tür | Neden Seçildi? |
+|-------|-----|---------------|
+| **GraphSAGE** | Graf Sinir Ağı (GNN) | Düğümün komşuluk yapısını öğrenir |
+| **Random Forest** | Topluluk öğrenme | Elliptic dataset'te en güçlü baseline |
+| **XGBoost** | Gradyan artırma | Tabular veride SOTA |
+| **LightGBM** | Gradyan artırma | Hız ve performans dengesi |
+### 5 Bölme Stratejisi
+| # | Strateji | Açıklama |
+|---|----------|---------|
+| 1 | **Rastgele** | Standart train_test_split (%80/%20) |
+| 2 | **Kronolojik** | İlk %80 timestep eğitim, son %20 test |
+| 3 | **Topolojik Kırılma (Bizim)** | Kırılma noktası öncesi eğitim, sonrası test |
+| 4 | **Kayan Pencere** | Son 10 timestep test, geri kalanı eğitim |
+| 5 | **Düşmanca-Kriz** | Sakin dönemde eğit, kriz döneminde test et |
 ---
+## 🔑 Ana Sonuçlar
+### HİPOTEZ 1: DOĞRULANDI ✅
+**Topolojik kırılmadan bölmek, kronolojik bölmeden daha iyi sonuç verir.**
+| Model | Topolojik Kırılma F1 | Kronolojik F1 | **Fark** |
+|-------|---------------------|--------------|---------|
+| Random Forest | **0.8415** | 0.7226 | **+0.119** ✅ |
+| XGBoost | **0.8372** | 0.7422 | **+0.095** ✅ |
+| LightGBM | **0.8703** | 0.7376 | **+0.133** ✅ |
+| GraphSAGE | 0.4205 | 0.4757 | -0.055 |
+**3/4 modelde topolojik kırılma bölmesi açık farkla kazandı.** LightGBM'de **+13.3 puan** F1 artışı.
+### HİPOTEZ 2: DOĞRULANDI ✅
+**Rastgele bölme performansı yapay olarak şişiriyor.**
+| Model | Rastgele F1 | Kronolojik F1 | **Performans Şişmesi** |
+|-------|-----------|-------------|----------------------|
+| GraphSAGE | 0.711 | 0.476 | **%49.5** 🔴 |
+| Random Forest | 0.936 | 0.723 | **%29.5** 🔴 |
+| XGBoost | 0.958 | 0.742 | **%29.0** 🔴 |
+| LightGBM | 0.960 | 0.738 | **%30.2** 🔴 |
+**GraphSAGE'de %49.5 performans şişmesi!** Rastgele bölmeyle %71 F1 rapor eden GNN modeli, gerçek dünyada sadece %47.6.
+### Tam Sonuç Tablosu: Illicit F1 Score
+| Model | Rastgele | Kronolojik | **Topolojik Kırılma** | Kayan Pencere | Düşmanca-Kriz |
+|-------|---------|-----------|---------------------|--------------|--------------|
+| GraphSAGE | 0.711 | 0.476 | 0.421 | 0.458 | **0.777** |
+| Random Forest | 0.936 | 0.723 | **0.842** | 0.723 | 0.963 |
+| XGBoost | 0.958 | 0.742 | **0.837** | 0.742 | 0.978 |
+| LightGBM | 0.960 | 0.738 | **0.870** | 0.738 | 0.981 |
 ---
 ## 📈 Görselleştirmeler
+### Topolojik Kırılma Noktası Tespiti
+![Kırılma](topo_figures/fig1_topological_breakpoint.png)
+### F1 Karşılaştırması (Ana Sonuç)
+![F1](topo_figures/fig2_f1_comparison.png)
+### Performans Şişmesi Isı Haritası
+![Şişme](topo_figures/fig3_inflation_heatmap.png)
+### Tüm Metrikler × Tüm Stratejiler
+![Isı Haritası](topo_figures/fig4_full_heatmap.png)
+### Model Karmaşıklığı vs Bölme Stratejisi
+![Karmaşıklık](topo_figures/fig5_complexity_vs_split.png)
+### Ağ Topolojik Metrikleri
+![Metrikler](topo_figures/fig6_network_metrics.png)
+### Bitcoin Olay Haritası
+![Olay](figures/fig1_bitcoin_event_map.png)
+### Olay Tipine Göre Performans
+![Olay Performans](figures/fig5_event_performance.png)
 ---
+## 📚 Ön Literatür Taraması (11 Makale)
+Bu projenin boşluğunu destekleyen son 2-3 yıldaki kritik makaleler:
+| # | Makale | Yıl | Bulduğu Açık (Future Work'ten) | Bizim Cevabımız |
+|---|--------|-----|-------------------------------|----------------|
+| 1 | **TabReD** (Rubachev et al.) | 2024 | "Time-based splits leads to different method ranking" | Model sıralamasının neden değiştiğini ağ yapısıyla açıklıyoruz |
+| 2 | **Rethinking TSFM Eval** (Meyer et al.) | 2025 | "Magnitude of temporal leakage remains largely unknown" | Leakage büyüklüğünü ölçtük: %29-49 şişme |
+| 3 | **Window Dilemma** (Gower-Winter et al.) | 2026 | "Move towards drift understanding: Where and How" | Topolojik kırılma noktasıyla "nerede" sorusuna cevap |
+| 4 | **Topological Concentration** (Wang et al.) | 2024 | "Discover topological distribution shift" | TDS'yi veri bölme kararına bağladık |
+| 5 | **Evidence Sufficiency** (Solozobov) | 2026 | "Concept drift without feature change remains undetected" | Ağ topolojisiyle bu kör noktayı yakalıyoruz |
+| 6 | **TGB** (Huang et al.) | 2023 | "Only considers streaming setting, five domains" | AML domain'inde topolojik bölme ekliyoruz |
+| 7 | **Better Eval for Dynamic LP** (Poursafaei et al.) | 2022 | "Ranking inconsistency across NS strategies" | Bölme stratejisinin etkisini gösteriyoruz |
+| 8 | **Thimonier et al.** | 2023 | "Enhancing GBDT robustness against distribution shifts" | Shift anını bölme noktası yaparak çözüyoruz |
+| 9 | **GeneralDyG** | 2024 | Temporal ego-graph ile anomali tespiti | Biz ego-graph fikrini bölme kararına çeviriyoruz |
+| 10 | **SPLASH** | 2025 | Basit yöntem dağılım kaymasında karmaşık GNN'i yener | Tezimizi destekliyor: doğru veri > karmaşık model |
+| 11 | **TGX** (Rahmani et al.) | 2024 | Novelty/Surprise metrikleri tanımlandı | Bu metrikleri kırılma tespitine entegre ediyoruz |
+> **Hiçbir makale şunu yapmamış:** Ağın topolojik kırılma noktasını otomatik tespit edip, veri bölme kararını o noktaya göre vermek.
+Detaylı literatür taraması: [`literature_review.md`](https://huggingface.co/Moco22/leakage-anatomy-bitcoin-aml/blob/main/literature_review.md)
 ---
+## 🔬 Teknik Detaylar
+### GraphSAGE Mimarisi
+- 2 katmanlı SAGEConv (mean aggregation)
+- Hidden dim: 128, Dropout: 0.3
+- Strict inductive: eğitimde sadece train düğümlerin alt grafı kullanıldı
+- Weighted cross-entropy (sınıf dengesizliği için)
+- PyTorch Geometric ile implement edildi
+### Topolojik Sağlık Skoru Formülü
+```
+health(t) = [norm(density(t)) + norm(largest_cc_ratio(t)) + (1 - norm(n_components(t)))] / 3
+breakpoint = argmin(health(t) - health(t-1))
+```
 ---
 ## 📁 Proje Yapısı
 ```
+├── README.md                                # Bu dosya
+├── topological_breakpoint.py                # Ana deney kodu (GraphSAGE + topolojik kırılma)
+├── elliptic_event_aware.py                  # Olay-farkında bölme deneyleri
+├── topo_figures/                            # Topolojik kırılma figürleri
+│   ├── fig1_topological_breakpoint.png      # Kırılma noktası tespiti
+│   ├── fig2_f1_comparison.png               # F1 karşılaştırması
+│   ├── fig3_inflation_heatmap.png           # Performans şişmesi
+│   ├── fig4_full_heatmap.png                # Tam ısı haritası
+│   ├── fig5_complexity_vs_split.png         # Karmaşıklık vs bölme
+│   └── fig6_network_metrics.png             # Ağ metrikleri
+├── topo_results/                            # Topolojik kırılma sonuçları
+│   ├── all_results.csv                      # Tüm sonuçlar
+│   ├── topological_metrics.csv              # Her timestep'in topolojik metrikleri
+│   └── summary.json                         # Özet (kırılma noktası: TS 29)
+├── figures/                                 # Olay-farkında bölme figürleri
+└── results/                                 # Olay-farkında bölme sonuçları
 ```
 ---
 ## 🔄 Tekrarlanabilirlik
 ```bash
+# Bağımlılıklar
+pip install pandas numpy scikit-learn matplotlib seaborn lightgbm xgboost networkx torch torch-geometric
+# Veriyi indir (HuggingFace'den)
+# yhoma/elliptic-bitcoin-dataset reposundan 3 CSV dosyası
+# Çalıştır
+python topological_breakpoint.py  # ~10 dakika (CPU)
+```
 ---
+## ⚠️ Anahtar Mesaj
+> **Rastgele bölmeyle LightGBM %96.0 F1 rapor ediyor.**
+> **Kronolojik bölmeyle aynı LightGBM %73.8 F1'e düşüyor.**
+> **Topolojik kırılma noktasından bölmeyle %87.0 F1'e çıkıyor.**
+>
+> Topolojik kırılma, kronolojik bölmeyi **+13.3 puan** geçiyor.
+> Rastgele bölmenin %22.2'si ise **tamamen yapay — performans şişmesi.**
+>
+> **Modelden önce, ağın sağlığına bakın. Kırılma noktasını bulun. Oradan bölün.**
 ---
 ## 📖 Atıf
 ```bibtex
+@misc{topological_breakpoint_splitting_2026,
+  title={Topolojik Kırılma Noktasına Göre Veri Bölme: Bitcoin AML Tespitinde Yeni Bir Kural},
   author={Moco22},
   year={2026},
   howpublished={\url{https://huggingface.co/Moco22/elliptic-event-aware-splitting}},
+  note={Ağ topolojisindeki kriz anını otomatik tespit edip veri bölme kararına çeviren ilk çalışma}
 }
 ```
 ---
+*🤗 Hugging Face ekosistemi ile oluşturulmuştur — PyTorch Geometric, NetworkX, scikit-learn*