[論文レビュー] Reconstruction Enhanced Multi-View Contrastive Learning for Anomaly Detection on Attributed Networks

Jiaqiang Zhang, Senzhang Wang+1 more|arXiv (Cornell University)|May 10, 2022

Advanced Graph Neural Networks被引用数 9

ひとこと要約

本稿では、属性付きネットワークにおける異常検出のための自己教師ありフレームワークSub-CRを提案する。Sub-CRは、マルチビュー対照学習モジュールと属性再構成モジュールを同時に最適化する。部分グラフに基づくビューを用いて局所的およびグローバル構造的情報を分離し、マスキングされた自己符号化器を用いて属性の一貫性を活用することで、5つのベンチマークデータセットで最先端の性能を達成し、既存手法を顕著に上回る。

ABSTRACT

Detecting abnormal nodes from attributed networks is of great importance in many real applications, such as financial fraud detection and cyber security. This task is challenging due to both the complex interactions between the anomalous nodes with other counterparts and their inconsistency in terms of attributes. This paper proposes a self-supervised learning framework that jointly optimizes a multi-view contrastive learning-based module and an attribute reconstruction-based module to more accurately detect anomalies on attributed networks. Specifically, two contrastive learning views are firstly established, which allow the model to better encode rich local and global information related to the abnormality. Motivated by the attribute consistency principle between neighboring nodes, a masked autoencoder-based reconstruction module is also introduced to identify the nodes which have large reconstruction errors, then are regarded as anomalies. Finally, the two complementary modules are integrated for more accurately detecting the anomalous nodes. Extensive experiments conducted on five benchmark datasets show our model outperforms current state-of-the-art models.

研究の動機と目的

• 構造的逸脱と属性の不一致の両方が原因となる異常を、属性付きネットワークで検出する課題に対処すること。
• 既存手法が局所的およびグローバル構造的情報を効果的に分離または活用できないという限界を克服すること。
• 隣接ノード間の属性の一貫性から得られる自己教師あり信号を活用して、異常検出を向上させること。
• マルチビュー対照学習と再構成ベースの学習を統合した包括的なフレームワークを設計すること。

提案手法

• グラフ拡散と部分グラフ抽出を用いて、局所的およびグローバルな2つの対照ビューを構築し、補完的な構造的情報を捉える。
• 2ビュー対照学習モジュールは、ノードおよび部分グラフ表現間の一致を内ビューおよび外ビュー間で最大化することで、識別的な特徴学習を強化する。
• 属性再構成モジュールは、隣接ノードの表現を用いて各ターゲットノードの元の属性を再構成し、高い再構成誤差によって異常を特定する。
• 対照学習と再構成モジュールを、学習可能なバランス係数γを介して統合し、両目的を同時に最適化する。
• 再構成モジュールでは、隣接ノード間の属性の一貫性を強制するために、マスキングされた自己符号化器が使用される。
• ノードおよび部分グラフ表現の抽出にGCNベースのエンコーダーを用い、部分グラフサイズと埋め込み次元を最適なパフォーマンスを得るよう調整する。

実験結果

リサーチクエスチョン

• RQ1 局所的およびグローバル構造的情報を分離することで、属性付きネットワークにおける異常検出が向上するか？
• RQ2 周辺ノードの一貫性に基づく属性再構成は、異常ノードの同定にどの程度有効か？
• RQ3 異常検出におけるマルチビュー対照学習と再構成ベースの学習の相対的寄与度は何か？
• RQ4 部分グラフサイズ、埋め込み次元、バランス係数γなどのハイパーパrameterがモデル性能に与える影響は？
• RQ5 対照学習と再構成目的を統合した包括的な自己教師ありフレームワークは、既存のSOTA手法を上回る性能を達成できるか？

主な発見

• Sub-CRは5つのベンチマークデータセットで最先端の性能を達成し、既存のSOTAモデルを顕著に上回っている。
• 対照モジュールを含まないバージョンと比較して、PubmedではAUCが17.03%向上し、CiteSeerでは14.11%向上した。
• アブレーションスタディにより、対照モジュールと再構成モジュールの両方が不可欠であることが確認され、性能向上の主な貢献は対照モジュールによるものである。
• 最適な部分グラフサイズは、FlickrおよびCiteSeerではP=2、BlogCatalog、Cora、PubmedではP=4であり、データの特性に敏感であることが示された。
• γ ≥ 0.4の範囲ではモデルがロバストであり、全データセットでγ ≥ 0.4の範囲で最良のパフォーマンスが得られた。
• 埋め込み次元d=64が大多数のデータセットで最適であり、それより小さいまたは大きい値では性能が低下した。