[論文レビュー] ARISE: Graph Anomaly Detection on Attributed Networks via Substructure Awareness

Jingcan Duan, Xiao, Bin+3 more|arXiv (Cornell University)|Nov 28, 2022

Advanced Graph Neural Networks被引用数 5

ひとこと要約

ARISEは、属性付きネットワークにおけるグラフ異常検出フレームワークを提案し、密度の高い部分構造を不審領域として特定することで、トポロジー異常と属性異常の両方を検出する。領域提案モジュールを用いて密な部分グラフを検出し、それら内のノードペアの平均類似度を計算してトポロジー異常スコアを算出し、グラフ対照学習を適用して属性表現を強化することで、最先端の性能を達成し、AUCで最大7.30%、AUPRCで最大17.46%の向上を実現した。

ABSTRACT

Recently, graph anomaly detection on attributed networks has attracted growing attention in data mining and machine learning communities. Apart from attribute anomalies, graph anomaly detection also aims at suspicious topological-abnormal nodes that exhibit collective anomalous behavior. Closely connected uncorrelated node groups form uncommonly dense substructures in the network. However, existing methods overlook that the topology anomaly detection performance can be improved by recognizing such a collective pattern. To this end, we propose a new graph anomaly detection framework on attributed networks via substructure awareness (ARISE for abbreviation). Unlike previous algorithms, we focus on the substructures in the graph to discern abnormalities. Specifically, we establish a region proposal module to discover high-density substructures in the network as suspicious regions. The average node-pair similarity can be regarded as the topology anomaly degree of nodes within substructures. Generally, the lower the similarity, the higher the probability that internal nodes are topology anomalies. To distill better embeddings of node attributes, we further introduce a graph contrastive learning scheme, which observes attribute anomalies in the meantime. In this way, ARISE can detect both topology and attribute anomalies. Ultimately, extensive experiments on benchmark datasets show that ARISE greatly improves detection performance (up to 7.30% AUC and 17.46% AUPRC gains) compared to state-of-the-art attributed networks anomaly detection (ANAD) algorithms.

研究の動機と目的

• 既存手法がトポロジー異常を検出できないという限界に対処する。これは、正常な属性と複雑な接続パターンのため、しばしば見過ごされがちである。
• ネットワーク内の高密度部分構造を通じて集団的な異常行動を認識することで、異常検出を向上させる。
• 部分構造認識と対照学習を統合した統一フレームワークを用いて、トポロジー異常と属性異常を同時に検出する。
• 学習可能なトレードオフパラメータを用いて2種類の異常検出をバランスさせ、多様なデータセットにおいて包括的な性能を確保する。

提案手法

• 密度ベースのクラスタリングに基づく領域提案モジュールが、属性付きネットワーク内の高密度部分構造を不審領域として特定する。
• 各検出された部分構造内におけるノードペアの平均類似度として、トポロジー異常スコアを計算する。類似度が低いほど、異常度が高くなる。
• グラフ対照学習を用いて、強固で判別力のあるノード属性埋め込みを学習し、属性異常の検出を強化する。
• 学習可能なトレードオフパラメータ α を用いて、トポロジー異常スコアと属性異常スコアを重み付き融合し、2種類の異常タイプのバランスを取る。
• グラフニューラルネットワークを活用して、トポロジーと属性の両方からの階層的表現を抽出し、全体の検出のロバスト性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 属性付きネットワークにおける高密度部分構造は、どのようにしてトポロジー異常の潜在的領域として効果的に同定できるか？
• RQ2 部分構造内でのノードペアの平均類似度は、トポロジー異常検出の信頼できる代理指標としてどの程度有効か？
• RQ3 グラフ対照学習は、より正確な属性異常検出のためのノード属性表現の質を向上させることができるか？
• RQ4 トポロジー異常スコアと属性異常スコアは、どのように融合すべきか、バランスの取れた包括的検出性能を達成するためか？
• RQ5 異常比が変動する条件下で、トポロジー異常と属性異常検出の最適なトレードオフは何か？

主な発見

• ARISEは、ベンチマークとして用いられる属性付きネットワークデータセットにおいて、最先端手法に比べてAUCで最大7.30%向上、AUPRCで最大17.46%向上を達成した。
• α = 0.8 の場合、CoraではAUC 0.9438、CiteSeerではAUC 0.9310、PubMedではAUC 0.9712を達成し、トポロジー異常と属性異常検出のバランスが最良であった。
• α = 0.2 の場合、トポロジー異常検出において顕著に優れた性能を示したが、属性異常検出に苦慮した。これは、バランスの取れた統合の必要性を裏付けた。
• 不均衡な異常注入（例：1:9 の比率）下では、α = 1.0 が最良のパフォーマンスを示した。これは、トレードオフパラメータがデータ分布に適応する必要があることを示している。
• 領域提案モジュールは、集団的トポロジー異常に対応する密な部分構造を効果的に同定した。これにより、部分構造認識に基づく検出原理の妥当性が裏付けられた。