[論文レビュー] Mul-GAD: a semi-supervised graph anomaly detection framework via aggregating multi-view information

Zhiyuan Liu, Chunjie Cao+1 more|arXiv (Cornell University)|Dec 11, 2022

Advanced Graph Neural Networks被引用数 4

ひとこと要約

Mul-GAD は、視覚レベルおよび特徴レベルの融合戦略を用いてマルチビュー表現を統合することで、モデルの汎用性を向上させる半教師ありグラフ異常検出フレームワークを提案する。ラベル指向の目的関数と学習可能な視覚重みを活用することで、多様な異常タイプにわたる検出精度と耐障害性を向上させ、PubMed、Amazon Photo、Books などの複数のベンチマークデータセットで最先端の性能を達成する。

ABSTRACT

Anomaly detection is defined as discovering patterns that do not conform to the expected behavior. Previously, anomaly detection was mostly conducted using traditional shallow learning techniques, but with little improvement. As the emergence of graph neural networks (GNN), graph anomaly detection has been greatly developed. However, recent studies have shown that GNN-based methods encounter challenge, in that no graph anomaly detection algorithm can perform generalization on most datasets. To bridge the tap, we propose a multi-view fusion approach for graph anomaly detection (Mul-GAD). The view-level fusion captures the extent of significance between different views, while the feature-level fusion makes full use of complementary information. We theoretically and experimentally elaborate the effectiveness of the fusion strategies. For a more comprehensive conclusion, we further investigate the effect of the objective function and the number of fused views on detection performance. Exploiting these findings, our Mul-GAD is proposed equipped with fusion strategies and the well-performed objective function. Compared with other state-of-the-art detection methods, we achieve a better detection performance and generalization in most scenarios via a series of experiments conducted on Pubmed, Amazon Computer, Amazon Photo, Weibo and Books. Our code is available at https://github.com/liuyishoua/Mul-Graph-Fusion.

研究の動機と目的

• 多様なデータセットにわたる既存の GNN を用いたグラフ異常検出手法の低い汎用性を是正すること。
• 異なる GNN アーキテクチャから得られる複数のグラフ表現を統合することで、検出の耐障害性を向上させること。
• 目的関数と統合するビューの数がモデル性能に与える影響を調査し、最適な設計をガイドすること。
• 視覚レベルおよび特徴レベルの統合を統合した包括的なフレームワークを構築し、表現学習と異常検出を強化すること。
• 補完的情報をバランスよく統合し、冗長性を低減する理論的裏付けのある統合メカニズムを確立すること。

提案手法

• 異なる GNN アーキテクチャ（例：GIN、GAT、GCN、BWGNN）を用いてマルチビューのノード表現を生成し、多様な構造的および特徴レベルのパターンを捉える。
• 学習可能なアテンション重みを用いた視覚レベルの統合を実装し、各ビューが最終的な異常スコアに与える寄与度を動的に評価する。
• 特徴レベルの統合として、特徴類似度行列を計算することで補完的情報を強調し、冗長な特徴によるノイズを低減する。
• ラベル指向の目的関数を半教師あり設定で活用し、特にラベル付き異常データが限られるデータセットにおいて汎用性を向上させる。
• 統一された表現と選択された目的関数を用いて、確率的勾配降下法によりモデル全体を最適化する。
• 統合するビューの数と目的関数の選択がモデル性能に与える影響を検証するためのアブレーションスタディを実施する。

実験結果

リサーチクエスチョン

• RQ1 マルチビュー統合戦略は、多様なデータセットにわたるグラフ異常検出モデルの汎用性を向上させることができるか？
• RQ2 目的関数の選択（ラベル指向、再構成指向、SSL指向）は、検出性能と汎用性にどのように影響するか？
• RQ3 最適な検出性能を達成するために、統合するビューの数はどの程度が最適か？過学習を避けるためにも。
• RQ4 視覚レベルおよび特徴レベルの統合メカニズムは、個別および統合的にどのように異常検出を向上させるか？
• RQ5 学習可能な統合重みは、異常検出における異なる GNN ベースのビューの相対的重要性を効果的に捉えることができるか？

主な発見

• Mul-GAD は PubMed で 95.6% の AUC を達成し、同データセットで全ての最先端手法を上回った。Books データセットでは 98.7% の AUC を記録した。
• Amazon Photo データセットでは、AUC が 99.0%（検証時 99.2%）を達成し、同じ設定下で GIN（95.6%）および GAT（98.9%）を大きく上回った。
• モデルは強力な汎用性を示し、Amazon Computer では 91.3%、Weibo では 76.5% の AUC を達成し、OCSVM や LOF を含む大多数のベースラインを上回った。
• 類似度行列の計算による特徴レベルの統合は、特に合成的および有機的異常において性能を顕著に向上させた。
• ラベル指向の目的関数は、すべてのデータセットで再構成または自己教師ありの代替手法よりも優れた汎用性を一貫して示した。
• 3つのビュー（例：GAT、GIN、BWGNN）を統合すると最適な性能が得られ、より多くのビューを追加しても結果が向上しないことが示され、統合の利点に飽和点が存在することが示唆された。