该论文研究稀疏评分网络中信任欺诈的顺序检测问题。传统方法假设连续观测模型，但真实数据如Bitcoin-OTC中，56%的评级在标准映射下为单一值，破坏了参数检测器的分布假设。论文做出三点贡献：首先，推导了每个节点顺序检测器的贝叶斯最优F1检测上限，使用实证测量的观测参数。在Bitcoin-OTC的中位入度为2时，该上限对于策略性攻击降至0.451，解释了为何无监督方法聚类在F1≈0.4附近。分析表明，检测器-模型匹配而非信息内容决定性能：二元模型保留了86%的互信息，同时允许精确参数拟合。其次，提出双域架构，其中Bernoulli CUSUM检测行为转变并触发非对称评分。消融实验揭示协同设计约束：调制机制在二元观测上使AUC提高0.030，但在连续观测上降低0.094。第三，组合系统在Bitcoin-OTC上达到AUC 0.749，在Bitcoin-Alpha上达到0.796，在所有8种攻击下优于GaaSTrust（p<0.003），创始人标签AUC达0.999。论文适合对图信任计算、顺序检测、对抗鲁棒性感兴趣的研究者。