[Phase 3] Training: Implement Loss Masking (Exclude Other Banks by bank_id)

[arthur0824hao]

Goal

實作「他行帳戶訓練時不記入 Loss」的 Masking 機制。

Context

目前訓練集中的節點混合了本行 (E.SUN) 與他行帳戶。但根據目標，我們應只計算本行帳戶預測錯誤的 Loss。這與單純過濾 DataLoader 不同，我們需要將他行節點保留在 Message Passing 過程中提供 Context，但在計算 Loss 時屏蔽其貢獻。

Tasks

1. 資料層: 在 Graph 建立階段 (graph_builder.py 或 Dataset)，根據特徵/外部中繼資料 (如 bank_id == 808 或 is_esun == 1) 生成 esun_mask 標記本行帳戶。
2. 訓練層: 修改 trainer.py 中的 forward 與 criterion。當計算 Loss 時：

   loss = criterion(out[train_mask & esun_mask], data.y[train_mask & esun_mask])

3. 實驗比對: 設計 ablation 實驗驗證加上此 Mask 後，模型對本行帳戶 (也是最終 Test set) 的預測 F1/AUC 是否提升。

Acceptance Criteria

• 新增 esun_mask (或依 bank_id 產生的布林 tensor)。
• Trainer 只針對 masked 節點進行 backpropagation。
• 確保 Eval/Test 時也不計入他行帳戶的成績。