[論文レビュー] Rethinking Graph Neural Networks for Anomaly Detection

Jianheng Tang, Jiajin Li+2 more|arXiv (Cornell University)|May 31, 2022

Anomaly Detection Techniques and Applications被引用数 52

ひとこと要約

本論文はスペクトル領域におけるグラフ異常を分析し、BWGNN、Beta wavelet-based GNN を提案して高周波の異常信号に対処するスペクトル局在化された帯域通過フィルターを用います。

ABSTRACT

Graph Neural Networks (GNNs) are widely applied for graph anomaly detection. As one of the key components for GNN design is to select a tailored spectral filter, we take the first step towards analyzing anomalies via the lens of the graph spectrum. Our crucial observation is the existence of anomalies will lead to the `right-shift' phenomenon, that is, the spectral energy distribution concentrates less on low frequencies and more on high frequencies. This fact motivates us to propose the Beta Wavelet Graph Neural Network (BWGNN). Indeed, BWGNN has spectral and spatial localized band-pass filters to better handle the `right-shift' phenomenon in anomalies. We demonstrate the effectiveness of BWGNN on four large-scale anomaly detection datasets. Our code and data are released at https://github.com/squareRoot3/Rethinking-Anomaly-Detection

研究の動機と目的

• グラフのスペクトル的視点から異常検出を動機づけ、異常信号がエネルギーを高周波へと移動させる右シフト現象を特定する。
• ガウス型異常モデルを用いて、異常度がスペクトルエネルギー分布に与える影響を分析する。
• 異常検出に合わせたスペクトル局在化されたバンドパスフィルタを提供する Beta wavelet-based graph neural network を提案する。
• 合成データおよび実世界データセットで理論的洞察を検証し、BWGNNを既存手法と比較する。

提案手法

• Hammond のグラフウェーブレット理論を用いてグラフ信号のバンドパスフィルタを設計する。
• Beta分布ベースのグラフウェーブレットを導入し、W = beta*(L)の効率的計算とC+1個のウェーブレット族を可能にする多項式カーネル。
• 複数の Beta wavelets でノード特徴を並列にフィルタリングし、結果を集約して BWGNN を構築する。
• ラベル不均衡に対処するため重み付きクロスエントロピーで学習し、Adam で最適化する。
• スペクトル・空間領域の局在性を分析し、既存のヒートカーネルおよび拡散ベースのGNNとの関係を論じる。

実験結果

リサーチクエスチョン

• RQ1 異常の有無はグラフ信号のスペクトルエネルギー分布にどのように影響するか？
• RQ2 スペクトル局在化されたバンドパスフィルタは、従来のローパスや拡散ベースのGNNよりも高周波の異常情報を捉えやすいか？
• RQ3 Beta wavelet-based GNN (BWGNN) は、最先端手法と比較して大規模グラフでの異常検出性能を向上させるか？
• RQ4 グラフ異常のためのBeta wavelets におけるスペクトル的局在性と空間的局在性のトレードオフは何か？

主な発見

• 異常はスペクトルエネルギーの右シフトを誘発し、異常度が増すと高周波にエネルギーが現れる。
• 高周波領域 S_high は x^T L x / x^T x として計算され、異常度と相関し、完全な固有分解を行わずにスペクトルのシフトを示すことができる。
• BWGNN は、教師ありおよび半教師あり設定の下で、YelpChi、Amazon、T-Finance、T-Social データセットでベースラインGNNおよび最先端の異常検出手法を一貫して上回る。
• BWGNN (Hetero) および BWGNN (Homo) は多関係グラフで強力な結果を達成し、競合他社より大幅に改善され、トレーニング時間も高速化されている。
• Beta wavelets はスペクトル的および空間的局在性を提供し、計算効率を維持しつつ高周波異常信号を効果的に捉えることを可能にする。