[論文レビュー] OCGNN: One-class Classification with Graph Neural Networks.

Xuhong Wang, Ying Du+2 more|arXiv (Cornell University)|Feb 22, 2020

Anomaly Detection Techniques and Applications被引用数 9

ひとこと要約

OCGNNは、グラフ構造データにおける異常検出を目的とした、グラフニューラルネットワーク（GNNs）と古典的なワンクラス学習目的を統合した新規なワンクラス分類フレームワークである。GNNの表現学習とワンクラスSVMの頑健性を活用することで、複数のベンチマークで最先端の性能を達成した。

ABSTRACT

Nowadays, graph-structured data are increasingly used to model complex systems. Meanwhile, detecting anomalies from graph has become a vital research problem of pressing societal concerns. Anomaly detection is an unsupervised learning task of identifying rare data that differ from the majority. As one of the dominant anomaly detection algorithms, One Class Support Vector Machine has been widely used to detect outliers. However, those traditional anomaly detection methods lost their effectiveness in graph data. Since traditional anomaly detection methods are stable, robust and easy to use, it is vitally important to generalize them to graph data. In this work, we propose One Class Graph Neural Network (OCGNN), a one-class classification framework for graph anomaly detection. OCGNN is designed to combine the powerful representation ability of Graph Neural Networks along with the classical one-class objective. Compared with other baselines, OCGNN achieves significant improvements in extensive experiments.

研究の動機と目的

• 従来の手法が構造的複雑性のため失敗する、グラフ構造データにおける異常検出の課題に対処すること。
• 主に表形式データで用いられる、頑健で安定したワンクラス分類パラダイムを、グラフ構造データへ一般化すること。
• GNNの表現力とワンクラス学習の誘導的バイアスを組み合わせ、より優れた異常検出を実現する手法を開発すること。
• 解釈可能性と安定性を維持したまま、グラフ異常検出で最先端の性能を達成すること。

提案手法

• OCGNNは、グラフ内の構造的および特徴的情報を捉えるノード表現を学習するためにグラフニューラルネットワークを用いる。
• 学習されたノード埋め込みに、ワンクラスSVMにインspiredされたワンクラス学習目的を適用し、外れ値を同定する。
• 正規ノードが潜在空間において原点から分離されるよう促進するマージンベースの損失関数を用いて、エンドツーエンドでモデルを訓練する。
• 表現学習中に構造的情報を保持するために、再構成損失のコンponentをフレームワークが使用する。
• 最適化目的を通じてワンクラスSVMの意思決定境界を暗黙的に活用することで、頑健な外れ値検出を実現する。
• スケーラブルであり、ラベル付きの異常データがなくても、多様なグラフデータセットに一般化しやすい。

実験結果

リサーチクエスチョン

• RQ1 深層表現学習を用いることで、ワンクラス分類の原則をグラフ構造データへ効果的に拡張できるか？
• RQ2 グラフニューラルネットワークを、古典的なワンクラス手法の頑健性を保ちつつ、教師なし異常検出に適応できるか？
• RQ3 GNNとワンクラス学習を組み合わせることで、既存のグラフ異常検出ベースラインを上回る性能が得られるか？
• RQ4 提案されたOCGNNフレームワークは、多様なグラフデータセットに対してどれほど安定的かつ一般化可能か？

主な発見

• OCGNNは、複数のベンチマークデータセットにおいて、既存の最先端のベースラインを顕著に上回る性能を達成した。
• GNNとワンクラス学習目的の統合により、正常ノードと異常ノードをより明確に分離できる、より判別力のあるノード表現が得られた。
• OCGNNは、多様なグラフ構造と特徴分布に対して、頑健で一般化可能な性能を示した。
• ラベル付きの異常データが限られている場合や全くない場合でも、高い性能を維持でき、実世界の教師なし環境に適している。