[논문 리뷰] ARISE: Graph Anomaly Detection on Attributed Networks via Substructure Awareness

Jingcan Duan, Xiao, Bin외 3명|arXiv (Cornell University)|2022. 11. 28.

Advanced Graph Neural Networks인용 수 5

한 줄 요약

ARISE는 소속 네트워크에서 위상 및 속성 이상을 탐지하기 위한 새로운 그래프 이상 탐지 프레임워크를 제안한다. 이는 높은 밀도를 띠는 하위구조를 이상으로 간주하는 영역 제안 모듈을 통해 이상 영역을 식별한다. 밀도 기반의 영역 제안 모듈을 사용하여 조밀한 하위그래프를 탐지하고, 각 하위구조 내에서 노드 쌍 간 평균 유사도를 계산하여 위상 이상 점수를 산출하며, 그래프 대비 학습을 통해 속성 표현을 향상시켜 최신 기술 수준의 성능을 달성한다. AUC에서 최대 7.30% 향상과 AUPRC에서 최대 17.46% 향상을 기록한다.

ABSTRACT

Recently, graph anomaly detection on attributed networks has attracted growing attention in data mining and machine learning communities. Apart from attribute anomalies, graph anomaly detection also aims at suspicious topological-abnormal nodes that exhibit collective anomalous behavior. Closely connected uncorrelated node groups form uncommonly dense substructures in the network. However, existing methods overlook that the topology anomaly detection performance can be improved by recognizing such a collective pattern. To this end, we propose a new graph anomaly detection framework on attributed networks via substructure awareness (ARISE for abbreviation). Unlike previous algorithms, we focus on the substructures in the graph to discern abnormalities. Specifically, we establish a region proposal module to discover high-density substructures in the network as suspicious regions. The average node-pair similarity can be regarded as the topology anomaly degree of nodes within substructures. Generally, the lower the similarity, the higher the probability that internal nodes are topology anomalies. To distill better embeddings of node attributes, we further introduce a graph contrastive learning scheme, which observes attribute anomalies in the meantime. In this way, ARISE can detect both topology and attribute anomalies. Ultimately, extensive experiments on benchmark datasets show that ARISE greatly improves detection performance (up to 7.30% AUC and 17.46% AUPRC gains) compared to state-of-the-art attributed networks anomaly detection (ANAD) algorithms.

연구 동기 및 목표

• 기존 방법들이 정상적인 속성과 복잡한 연결 패턴으로 인해 위상 이상을 간과하는 데에 기인한 한계를 해결하기 위해.
• 네트워크 내 고밀도 하위구조를 통해 집단적 이상 행동을 인식함으로써 이상 탐지 성능을 향상시키기 위해.
• 하위구조 인식과 대비 학습을 통합한 통합 프레임워크를 통해 위상 이상과 속성 이상을 동시에 탐지하기 위해.
• 학습 가능한 가중치 파라미터를 통해 두 종류 이상 탐지 간 균형을 이루어 다양한 데이터셋에서 종합적인 성능을 확보하기 위해.

제안 방법

• 밀도 기반 클러스터링 기반의 영역 제안 모듈이 소속 네트워크 내 고밀도 하위구조를 이상 영역으로 식별한다.
• 각 탐지된 하위구조 내에서 노드 쌍 간 평균 유사도를 계산하여 위상 이상 점수를 산출하며, 낮은 유사도일수록 이상 가능성 높음.
• 노드 속성 임베딩의 강건성과 구별 능력을 향상시키기 위해 그래프 대비 학습을 적용하여 속성 이상 탐지 성능을 향상시킨다.
• 학습 가능한 가중치 파라미터 α를 사용하여 위상 이상 및 속성 이상 점수를 가중 혼합하여 두 종류 이상 탐지 간 균형을 확보한다.
• 그래프 신경망을 활용하여 위상과 속성 양쪽에서 계층적 표현을 추출함으로써 전체 탐지 성능의 강건성을 향상시킨다.

실험 결과

연구 질문

• RQ1 소속 네트워크 내 고밀도 하위구조는 어떻게 효과적으로 위상 이상 잠재 영역으로 식별될 수 있는가?
• RQ2 하위구조 내 평균 노드 쌍 유사도는 위상 이상 탐지의 신뢰할 수 있는 대체 지표로 얼마나 유용한가?
• RQ3 그래프 대비 학습은 속성 이상 탐지의 정확도 향상을 위해 노드 속성 표현 품질을 향상시킬 수 있는가?
• RQ4 위상 이상 및 속성 이상 점수는 어떻게 융합되어 균형 잡힌 종합적인 탐지 성능를 달성할 수 있는가?
• RQ5 다양한 이상 비율 조건에서 위상 이상과 속성 이상 탐지 간 최적의 균형은 어떻게 설정되어야 하는가?

주요 결과

• ARISE는 기준 소속 네트워크 데이터셋에서 최신 기술 수준의 방법 대비 최대 AUC 7.30% 향상과 AUPRC 17.46% 향상을 기록한다.
• α = 0.8일 때 ARISE는 위상 이상과 속성 이상 탐지 간 최적의 균형을 확보하며, Cora에서 AUC 0.9438, CiteSeer에서 0.9310, PubMed에서 0.9712의 점수를 기록한다.
• α = 0.2일 때 위상 이상 탐지 성능이 뚜렷이 향상되지만 속성 이상 탐지에서는 어려움을 겪어, 균형 잡힌 융합의 필요성을 확인한다.
• 불균형한 이상 주입(예: 1:9 비율) 조건에서는 α = 1.0일 때 성능이 최고로 나타나, 가중치 파라미터가 데이터 분포에 따라 적응해야 함을 시사한다.
• 영역 제안 모듈은 집단적 위상 이상에 해당하는 조밀한 하위구조를 성공적으로 식별하여, 하위구조 인식 기반 탐지 원리를 검증한다.