[論文レビュー] Anomaly Detection in Multiplex Dynamic Networks: from Blockchain Security to Brain Disease Prediction

Ali Behrouz, Margo Seltzer|arXiv (Cornell University)|Nov 15, 2022

Anomaly Detection Techniques and Applications被引用数 7

ひとこと要約

AnoMulY は、GNN レイヤー間での階層的ノード状態、GRU を用いた時系列モデリング、およびクロスリレーション注意機構を活用することで、マルチプレックス動的ネットワークにおける非教師ありエッジ異常検出フレームワークとして新規に提案されたものである。9つの実世界データセット（脳ネットワークを含む）において最先端の性能を達成し、ADHD患者における異常な機能的結合を特定することで、疾患予測への潜在的応用を示している。

ABSTRACT

The problem of identifying anomalies in dynamic networks is a fundamental task with a wide range of applications. However, it raises critical challenges due to the complex nature of anomalies, lack of ground truth knowledge, and complex and dynamic interactions in the network. Most existing approaches usually study networks with a single type of connection between vertices, while in many applications interactions between objects vary, yielding multiplex networks. We propose ANOMULY, a general, unsupervised edge anomaly detection framework for multiplex dynamic networks. In each relation type, ANOMULY sees node embeddings at different GNN layers as hierarchical node states and employs a GRU cell to capture temporal properties of the network and update node embeddings over time. We then add an attention mechanism that incorporates information across different types of relations. Our case study on brain networks shows how this approach could be employed as a new tool to understand abnormal brain activity that might reveal a brain disease or disorder. Extensive experiments on nine real-world datasets demonstrate that ANOMULY achieves state-of-the-art performance.

研究の動機と目的

• マルチプレックス動的ネットワークにおける非教師ありで汎用性のあるエッジ異常検出手法の欠如に対処すること。
• 従来の手法の限界（固定された構造的仮定、関係タイプの同等扱い、ノードレベルの異常への注目）を克服すること。
• 金融ネットワークや脳機能ネットワークのような現実世界のシステムにおける複雑で変化する異常を検出できること。
• 時系列的ダイナミクスとクロスレイヤー補完情報の両方を捉える柔軟でスケーラブルなフレームワークを提供すること。

提案手法

• AnoMulY は、複数の GNN レイヤーにわたるノード埋め込みを階層的ノード状態としてモデル化し、マルチスケールなネットワーク表現を捉える。
• ノード埋め込みの時系列的変化をモデル化し、動的ネットワーク行動を捉えるために、ゲート付き再帰ユニット（GRU）を採用する。
• 異なる関係タイプ（レイヤー）間で情報を集約するための注意機構を用い、モデルが各レイヤーの重要性を動的に重み付けできるようにする。
• 教師なしで異常エッジを学習するために、選択的負例サンプリングを用いる。これにより、正解ラベルの必要がない。
• ノードや部分グラフの異常ではなく、エッジレベルの異常（例：不審な取引、異常な脳機能的結合）の検出を目的とする。
• 単層ネットワークをマルチプレックスネットワークとしてモデル化することで、より豊かな構造的情報を活用し、性能向上を図る。

実験結果

リサーチクエスチョン

• RQ1 非教師ありフレームワークは、既存の手法よりもマルチプレックス動的ネットワークにおけるエッジレベルの異常をより効果的に検出できるか？
• RQ2 階層的ノード状態、時系列モデリング、およびクロスリレーション注意機構の統合は、複雑なネットワークにおける異常検出をどのように向上させるか？
• RQ3 AnoMulY は、特に ADHD において、生物学的に意味のある異常を脳機能ネットワークでどれほど特定できるか？
• RQ4 AnoMulY は、訓練データ比の変動やノイズの多い、あるいは意味のないネットワークレイヤーに対してどれほど頑健か？
• RQ5 特に異常がまれまたは構造的に複雑な場合に、AnoMulY はレイヤー独立およびレイヤー依存の異常を効果的に検出できるか？

主な発見

• AnoMulY は、ブロックチェーン、ソーシャル、脳ネットワークを含む9つの実世界データセットで最先端の性能を達成し、既存の SOTA メソッドを上回っている。
• Ripple ブロックチェーンデータセットでは、訓練比率が 20% にまで低下しても AUC が安定しており、限られたラベル付きデータでも強い頑健性を示している。
• ADHD-Brain データセットでは、頭頂小頭および側頭小頭に関与するエッジに著しい異常エッジの集中が確認され、ADHD の神経的基盤の可能性を示唆している。
• モデルはレイヤー独立およびレイヤー依存の両方の異常を効果的に検出でき、関係タイプ間の補完的情報を活用する能力を示している。
• 注意機構により、情報量の多いレイヤーに高い重みが割り当てられ、関係のないまたは意味のない関係からのノイズが低減されている。
• AnoMulY は個々の脳ネットワークにおける異常な機能的結合パターンを特定し、脳疾患の早期発見に新たな知見を提供している。