[논문 리뷰] Graph Anomaly Detection with Graph Neural Networks: Current Status and Challenges

Hwan Kim, Byung Suk Lee외 2명|arXiv (Cornell University)|2022. 09. 29.

Advanced Graph Neural Networks인용 수 4

한 줄 요약

이 종합 검토는 그래프 신경망(GNN) 기반의 그래프 이상 탐지 방법에 대해 포괄적인 리뷰를 제공하며, 그래프 유형(정적/동적), 이상 유형(노드/엣지/서브그래프/전체 그래프), 아키텍처(예: 그래프 오토에인코더, GCN)에 따라 방법을 분류한다. 설명 가능성, 클래스 불균형, 이종 그래프, 소수 샘플 학습과 같은 핵심 과제를 밝혀내며, 향후 GNN 기반 그래프 이상 탐지 연구를 위한 기초 참고 자료를 제공한다.

ABSTRACT

Graphs are used widely to model complex systems, and detecting anomalies in a graph is an important task in the analysis of complex systems. Graph anomalies are patterns in a graph that do not conform to normal patterns expected of the attributes and/or structures of the graph. In recent years, graph neural networks (GNNs) have been studied extensively and have successfully performed difficult machine learning tasks in node classification, link prediction, and graph classification thanks to the highly expressive capability via message passing in effectively learning graph representations. To solve the graph anomaly detection problem, GNN-based methods leverage information about the graph attributes (or features) and/or structures to learn to score anomalies appropriately. In this survey, we review the recent advances made in detecting graph anomalies using GNN models. Specifically, we summarize GNN-based methods according to the graph type (i.e., static and dynamic), the anomaly type (i.e., node, edge, subgraph, and whole graph), and the network architecture (e.g., graph autoencoder, graph convolutional network). To the best of our knowledge, this survey is the first comprehensive review of graph anomaly detection methods based on GNNs.

연구 동기 및 목표

• 그래프 신경망(GNN)을 사용한 그래프 이상 탐지 분야의 최근 발전을 체계적이고 종합적으로 검토하는 것.
• 그래프 유형(정적 대비 동적), 이상 유형(노드, 엣지, 서브그래프, 전체 그래프), 네트워크 아키텍처에 따라 기존 GNN 기반 방법을 분류하는 것.
• 설명 가능성, 클래스 불균형, 이종 또는 동적 그래프 처리와 같은 GNN 기반 그래프 이상 탐지의 핵심 과제를 식별하고 분석하는 것.
• 소수 샘플 학습 및 복잡한 그래프 구조에서의 이상 탐지와 같은 아직 탐색이 부족한 연구 방향을 부각하는 것.
• 실제 응용 분야에서 GNN 기반 그래프 이상 탐지 기술을 발전시키고자 하는 연구자들에게 기초 자료를 제공하는 것.

제안 방법

• 그래프 유형(정적/동적), 이상 유형(노드/엣지/서브그래프/전체 그래프), 네트워크 아키텍처(예: GCN, 그래프 오토에인코더)의 세 축을 따라 GNN 기반 그래프 이상 탐지 방법을 분류하는 것.
• 노드 특징과 그래프 구조를 모두 활용하여 이상 점수를 산정하는 그래프 오토에인코더 및 GCN 기반 아키텍처와 같은 대표적 모델을 검토하는 것.
• 임베딩 공간의 이탈을 통해 이상을 식별하기 위해 재구성 손실과 거리 기반 함수가 GNN에서 어떻게 사용되는지 분석하는 것.
• 메시지 전파 메커니즘이 구조적 및 특징 기반 이상을 동시에 포착하는 데 어떤 역할을 하는지 평가하는 것.
• 복잡한 그래프 기하학을 더 잘 모델링하고 이상 탐지의 강건성을 향상시키기 위해 쌍곡 또는 유연한 임베딩 공간의 사용을 제안하는 것.
• 낮은 데이터 환경에서의 클래스 불균형 및 소수 샘플 이상 탐지 문제를 해결하기 위해 데이터 증강 및 메타학습 전략을 논의하는 것.

실험 결과

연구 질문

• RQ1 GNN 기반 방법은 그래프의 구조적 패턴과 특징 기반 패턴을 어떻게 통합하여 이상을 효과적으로 탐지하는가?
• RQ2 정적 및 동적 그래프에서 사용되는 GNN 모델 간의 주요 아키텍처적 차이점과 성능 트레이드오프는 무엇인가?
• RQ3 왜 설명 가능성은 GNN 기반 그래프 이상 탐지에서 중요한 과제이며, 현재 이 분야의 한계는 무엇인가?
• RQ4 정상 및 이상 인스턴스 간의 클래스 불균형은 GNN 기반 이상 탐지에 어떤 영향을 미치며, 효과적인 완화 전략은 무엇인가?
• RQ5 이종 또는 동적 그래프에서 이상 탐지에 있어 GNN을 사용할 때의 열린 과제는 무엇이며, 가장 유망한 향후 연구 방향은 무엇인가?

주요 결과

• 현재 대부분의 연구는 정적 그래프에서의 노드 이상 탐지에 집중되어 있으며, 엣지, 서브그래프, 전체 그래프 이상 탐지는 제한적으로 다뤄지고 있다.
• GNN 기반 모델은 메시지 전파를 통해 구조적 정보와 특징 정보를 효과적으로 통합하여 다중 모odal 이상을 동시에 탐지할 수 있다.
• GNN에서 재구성 기반 손실 함수는 노이즈에 취약하며, 이상 인스턴스와 정상 인스턴스가 임베딩 공간에서 멀리 떨어져 있을 경우 실패할 수 있다.
• 해석 가능한 이상 설명이 필요함에도 불구하고, 설명 가능한 GNN에 대한 연구는 현저히 부족하다.
• 클래스 불균형 문제는 여전히 주요 과제이며, 그래프 이상 탐지에 특화된 효과적인 데이터 증강 또는 샘플링 전략은 거의 제안되지 않았다.
• GNN 기반 소수 샘플 그래프 이상 탐지는 아직 탐색이 부족하지만, 최근 메타학습 및 소수의 레이블이 부여된 이상 인스턴스를 활용한 노력들이 유망한 성과를 보이고 있다.