[論文レビュー] Towards Self-Interpretable Graph-Level Anomaly Detection

Yixin Liu, Kaize Ding+4 more|arXiv (Cornell University)|Oct 25, 2023

Advanced Graph Neural Networks被引用数 25

ひとこと要約

SIGNET は、グラフレベルの異常を共同で検出し、グラフとその双対ハイパーグラフから学習したクロスビューのボトルネック部分グラフによって説明を提供します。教師なしで。

ABSTRACT

Graph-level anomaly detection (GLAD) aims to identify graphs that exhibit notable dissimilarity compared to the majority in a collection. However, current works primarily focus on evaluating graph-level abnormality while failing to provide meaningful explanations for the predictions, which largely limits their reliability and application scope. In this paper, we investigate a new challenging problem, explainable GLAD, where the learning objective is to predict the abnormality of each graph sample with corresponding explanations, i.e., the vital subgraph that leads to the predictions. To address this challenging problem, we propose a Self-Interpretable Graph aNomaly dETection model (SIGNET for short) that detects anomalous graphs as well as generates informative explanations simultaneously. Specifically, we first introduce the multi-view subgraph information bottleneck (MSIB) framework, serving as the design basis of our self-interpretable GLAD approach. This way SIGNET is able to not only measure the abnormality of each graph based on cross-view mutual information but also provide informative graph rationales by extracting bottleneck subgraphs from the input graph and its dual hypergraph in a self-supervised way. Extensive experiments on 16 datasets demonstrate the anomaly detection capability and self-interpretability of SIGNET.

研究の動機と目的

• 説明可能なグラフレベル異常検知（Explainable GLAD）を定義する。モデルが異常スコアと根拠となる部分グラフを出力する。
• グラウンドトゥルースの異常ラベルなしに説明を学習する自己解釭可能な GLAD モデルを開発する。
• 有益なボトルネック部分グラフを抽出するためのマルチビュー部分グラフ情報ボトネック（MSIB）フレームワークを提案する。
• 異なるビューを作成し自己教師あり学習を可能にするために、双対ハイパーグラフ変換を活用する。
• SIGNET が高い異常検知性能を達成し、有意義な説明を提供することを示す。

提案手法

• 自己解釈可能な GLAD の設計基盤として MSIB を導入する。
• 各グラフに対して2つのビューを構築する。元のグラフ G とその双対ハイパーグラフ G* を、双対ハイパーグラフ変換（DHT）によって作成。
• ボトルネック部分グラフ抽出器を用いて、G^(s) および G^(s)* を定義する確率的なノード/エッジ選択を生成する。
• Info-NCE目的関数を用いて、視点間相互情報量 I(h_{G^(s)}; h_{G^(s)*}) を最大化し、表現と説明を学習する。
• 推論時には異常スコアを -I(h_{G^(s)}; h_{G^(s)*}) として計算し、ボトルネック部分グラフの上位k個ノード/エッジを用いて説明を提供する。
• 任意で、ノード確率をエッジ確率に変換してビュー間で部分グラフを整合させ、アーキテクチャを簡素化するために単一の抽出器を使用する。

Figure 1: A toy example to illustrate (a) GLAD problem and (b) explainable GLAD problem.

実験結果

リサーチクエスチョン

• RQ1 SIGNET は GLAD の予測に対して有益な説明を提供できるか（ボトルネック部分グラフを介した説明）？
• RQ2 多様なデータセットにわたって異常なグラフを特定する際の SIGNET の効果はどの程度か？
• RQ3 SIGNET のコア設計選択が性能と解釈性に与える寄与は何か？

主な発見

• SIGNET は6つの explainable GLAD データセットで最先端の説明性能を達成し、ベースラインに対して平均 NX-AUC 増分 27.89%、EX-AUC 増分 8.99% を実現。
• SIGNET は16データセット中10データセットで異常検知のベースラインを上回り、残りでも競合力がある。
• 双対ハイパーグラフ変換は独立した安定したビューを提供し、エッジに焦点を当てた説明を可能にする。
• 両方のビューに対してボトルネック部分グラフを生成する単一の抽出器を使用することで、一貫性が向上しモデルの複雑さを低減する。
• 定量的および定性的な結果は、SIGNET が識別に有用なモチーフに高い確率を割り当て、意味のある説明を生み出すことを示している。

(a) The overall pipeline of SIGNET