[論文レビュー] GCCAD: Graph Contrastive Coding for Anomaly Detection

Bo Chen, Jing Zhang+7 more|arXiv (Cornell University)|Aug 17, 2021

Advanced Graph Neural Networks参考文献 54被引用数 13

ひとこと要約

本稿では、距離ベースの学習を用いて異常ノードをグローバルグラフコンテキストと対比する、異常検出のためのグラフコントラストコーディングフレームワークGCCADを提案する。GNNエンコーダが不審なリンクを特定し、グローバルコンテキストを学習することで、4つの公開データセットにおいて教師ありおよび自己教師あり設定の両方で最先端の性能を達成し、最先端のベースラインを上回る。

ABSTRACT

Graph-based anomaly detection has been widely used for detecting malicious activities in real-world applications. Existing attempts to address this problem have thus far focused on structural feature engineering or learning in the binary classification regime. In this work, we propose to leverage graph contrastive coding and present the supervised GCCAD model for contrasting abnormal nodes with normal ones in terms of their distances to the global context (e.g., the average of all nodes). To handle scenarios with scarce labels, we further enable GCCAD as a self-supervised framework by designing a graph corrupting strategy for generating synthetic node labels. To achieve the contrastive objective, we design a graph neural network encoder that can infer and further remove suspicious links during message passing, as well as learn the global context of the input graph. We conduct extensive experiments on four public datasets, demonstrating that 1) GCCAD significantly and consistently outperforms various advanced baselines and 2) its self-supervised version without fine-tuning can achieve comparable performance with its fully supervised version.

研究の動機と目的

• 構造的特徴工学や二値分類に依存する既存のグラフベースの異常検出手法の限界を解決すること。
• すべてのノードの平均として定義されるグローバルグラフコンテキストと、異常ノードを対比させることで、異常検出を向上させること。
• グラフの破損戦略を設計して合成ノードラベルを生成することで、ラベルが少ない状況でも効果的な学習を可能にすること。
• メッセージパッシング中に不審なリンクを同定・除去できるGNNエンコーダを開発し、表現学習を強化すること。

提案手法

• GCCADは、各ノードがグローバルコンテキストからの距離を測定するコントラストコーディング目的関数を採用しており、平均から離れているノードを潜在的な異常とみなす。
• メッセージパッシング中に不審なリンクを検出し、除去するように設計されたGNNエンコーダを採用し、ノイズ混じりまたは悪意あるエッジに対してより強固な性能を発揮する。
• すべてのノードを統合して情報を集約することでグローバルコンテキスト表現を学習し、異常スコアリングの基準として機能させる。
• 自己教師あり学習では、ノード特徴量やエッジを摂動させることで、実際のラベルが不要な前処理を可能にするグラフ破損戦略を用いて合成ラベルを生成する。
• コントラスト目的関数は、正規ノードをグローバルコンテキストに近づけ、異常ノードを遠ざけるように、コントラスト損失を最適化する。
• 完全教師ありおよび自己教師あり学習の両方をサポートし、後者は教師ありバージョンと同等の性能を達成する。

実験結果

リサーチクエスチョン

• RQ1 グローバルコンテキストからのノード距離に基づくコントラスト学習は、グラフにおける異常検出を向上させることができるか？
• RQ2 グラフ破損を用いて生成された合成ラベルを用いた低ラベル状況において、GCCADはどの程度効果的か？
• RQ3 メッセージパッシング中に不審なリンクを除去することで、異常検出性能はどの程度向上するか？
• RQ4 自己教師ありバージョンのGCCADは、完全教師ありバージョンと同等の性能を達成できるか？
• RQ5 多様な実世界のデータセットにおいて、GCCADは最先端のベースラインと比較してどの程度優れているか？

主な発見

• GCCADは4つの公開データセットにおいて、さまざまな最先端のベースラインを著しく上回り、一貫した優位性を示した。
• 自己教師ありバージョンのGCCADは、微調整を必要とせず、完全教師ありバージョンと同等の性能を達成した。
• メッセージパッシング中に不審なリンクを除去する統合により、モデルの耐性と表現品質が向上した。
• グラフ破損戦略は意味のある合成ラベルを効果的に生成でき、低監視状況でも優れた性能を発揮した。
• グローバルコンテキストからの距離に基づくコントラスト目的関数は、正常ノードと異常ノードを効果的に区別できることが実証された。