[論文レビュー] Graph Anomaly Detection with Graph Neural Networks: Current Status and Challenges

Hwan Kim, Byung Suk Lee+2 more|arXiv (Cornell University)|Sep 29, 2022

Advanced Graph Neural Networks被引用数 4

ひとこと要約

本サーベイは、グラフニューラルネットワーク（GNN）に基づくグラフ異常検出のための手法について包括的なレビューを提供しており、グラフの種別（静的／動的）、異常種別（ノード／エッジ／部分グラフ／全グラフ）、アーキテクチャ（例：グラフオートエンコーダ、GCN）の観点からアプローチを分類している。主な課題として解釈可能性、クラス不均衡、異種グラフ、少数ショット学習を特定し、GNN駆動のグラフ異常検出分野における今後の研究の基盤となる。

ABSTRACT

Graphs are used widely to model complex systems, and detecting anomalies in a graph is an important task in the analysis of complex systems. Graph anomalies are patterns in a graph that do not conform to normal patterns expected of the attributes and/or structures of the graph. In recent years, graph neural networks (GNNs) have been studied extensively and have successfully performed difficult machine learning tasks in node classification, link prediction, and graph classification thanks to the highly expressive capability via message passing in effectively learning graph representations. To solve the graph anomaly detection problem, GNN-based methods leverage information about the graph attributes (or features) and/or structures to learn to score anomalies appropriately. In this survey, we review the recent advances made in detecting graph anomalies using GNN models. Specifically, we summarize GNN-based methods according to the graph type (i.e., static and dynamic), the anomaly type (i.e., node, edge, subgraph, and whole graph), and the network architecture (e.g., graph autoencoder, graph convolutional network). To the best of our knowledge, this survey is the first comprehensive review of graph anomaly detection methods based on GNNs.

研究の動機と目的

• グラフニューラルネットワーク（GNN）を用いたグラフ異常検出分野における最近の進展を体系的かつ包括的にレビューすること。
• グラフの種別（静的対動的）、異常種別（ノード、エッジ、部分グラフ、全グラフ）、ネットワークアーキテクチャの観点から、既存のGNNベース手法を分類すること。
• GNNベースのグラフ異常検出における主な課題、特に解釈可能性、クラス不均衡、異種または動的グラフの取り扱いを特定・分析すること。
• 少数ショット学習や複雑なグラフ構造における異常検出といった未だ十分に検討されていない研究分野を強調すること。
• 実世界の応用においてGNNベースのグラフ異常検出をさらに発展させようとする研究者にとっての基盤的リファレンスを提供すること。

提案手法

• GNNベースのグラフ異常検出手法を、グラフの種別（静的／動的）、異常種別（ノード／エッジ／部分グラフ／全グラフ）、ネットワークアーキテクチャ（例：GCN、グラフオートエンコーダ）の3軸に沿って分類すること。
• ノード特徴量とグラフトポロジを併用して異常スコアを算出する、グラフオートエンコーダーやGCNベースのアーキテクチャなどの代表的モデルをレビューすること。
• 埋め込み空間における乖離を用いて異常を同定するGNNにおける再構成損失関数と距離ベース関数の使用を分析すること。
• メッセージパッシング機構が構造的および特徴ベースの異常を同時に捉える役割を果たす仕組みを評価すること。
• 複雑なグラフ幾何構造をよりよくモデル化し、異常検出のロバストネスを向上させるために、双曲的または柔軟な埋め込み空間の使用を提案すること。
• データオーグメンテーションやメタラーニングを活用した、低データ環境下におけるクラス不均衡や少数ショット異常検出の対策を検討すること。

実験結果

リサーチクエスチョン

• RQ1 GNNベースの手法は、グラフにおける構造的パターンと特徴的パターンを統合することで、どのように効果的に異常を検出できるのか？
• RQ2 静的および動的グラフにおいて、グラフ異常検出に用いられるGNNモデルの主なアーキテクチャ的差異とパフォーマンス上のトレードオフは何か？
• RQ3 なぜGNNベースのグラフ異常検出において解釈可能性が重要な課題となるのか、またこの分野における現在の制限は何なのか？
• RQ4 正常と異常インスタンスの間のクラス不均衡は、GNNベースの異常検出にどのように影響を及ぼし、効果的な緩和戦略は何か？
• RQ5 GNNを用いた異種または動的グラフにおける異常検出における未解決の課題は何か、今後の研究で最も有望な方向性は何か？

主な発見

• 現在の大多数の研究は静的グラフにおけるノード異常検出に焦点を当てており、エッジ、部分グラフ、全グラフ異常検出については限られた研究にとどまっている。
• GNNベースのモデルはメッセージパッシングにより構造的および特徴的情報を効果的に統合し、複数モodalの異常を同時に検出可能である。
• GNNにおける再構成ベースの損失関数はノイズに脆弱であり、異常と正常のインスタンスが埋め込み空間で大きく離れている場合には失敗する可能性がある。
• 解釈可能なGNNの研究は著しく不足しており、特に異常解釈のための説明可能性の要請に応える研究が不足している。
• クラス不均衡は依然として主要な課題であり、グラフ異常検出に特化した有効なデータオーグメンテーションやサンプリング戦略はほとんど提案されていない。
• GNNを用いた少数ショットグラフ異常検出は未だ十分に検討されていないが、最近の研究ではメタラーニングや少数のラベル付き異常を活用したアプローチが有望であると示唆されている。