[논문 리뷰] OCGNN: One-class Classification with Graph Neural Networks.

Xuhong Wang, Ying Du외 2명|arXiv (Cornell University)|2020. 02. 22.

Anomaly Detection Techniques and Applications인용 수 9

한 줄 요약

OCGNN는 그래프 구조 데이터에서 이상치를 탐지하기 위해 그래프 신경망(GNNs)과 고전적인 일종 분류 학습 목표를 통합한 새로운 일종 분류 프레임워크이다. GNN의 표현 학습 능력과 일종 SVM의 강건성 덕분에 OCGNN는 여러 벤치마크에서 그래프 이상 탐지 분야에서 최고 성능을 달성한다.

ABSTRACT

Nowadays, graph-structured data are increasingly used to model complex systems. Meanwhile, detecting anomalies from graph has become a vital research problem of pressing societal concerns. Anomaly detection is an unsupervised learning task of identifying rare data that differ from the majority. As one of the dominant anomaly detection algorithms, One Class Support Vector Machine has been widely used to detect outliers. However, those traditional anomaly detection methods lost their effectiveness in graph data. Since traditional anomaly detection methods are stable, robust and easy to use, it is vitally important to generalize them to graph data. In this work, we propose One Class Graph Neural Network (OCGNN), a one-class classification framework for graph anomaly detection. OCGNN is designed to combine the powerful representation ability of Graph Neural Networks along with the classical one-class objective. Compared with other baselines, OCGNN achieves significant improvements in extensive experiments.

연구 동기 및 목표

• 기존 방법들이 구조적 복잡성으로 인해 실패하는 그래프 구조 데이터에서 이상치 탐지를 해결하기 위해.
• 일반적으로 표본 데이터에 사용되는 강건하고 안정적인 일종 분류 원칙을 그래프 구조 데이터로 일반화하기 위해.
• GNN의 표현 능력과 일종 학습의 인덕티브 바이어스를 융합하여 이상 탐지 성능을 향상시키기 위해.
• 해당 프레임워크가 해석 가능성과 안정성을 유지하면서도 그래프 이상 탐지에서 최고 성능을 달성하기 위해.

제안 방법

• OCGNN는 그래프의 구조적 정보와 특징 정보를 포괄하는 노드 표현을 학습하기 위해 그래프 신경망을 활용한다.
• 학습된 노드 임베딩에 대해 일종 학습 목표(One-Class SVM에 영향을 받음)를 적용하여 이방자(이상치)를 식별한다.
• 정상 노드가 잠재 공간에서 원점으로부터 분리되도록 유도하는 마진 기반 손실 함수를 사용하여 엔드 투 엔드로 모델을 훈련한다.
• 표현 학습 과정에서 구조적 정보를 유지하기 위해 재구성 손실 성분을 활용한다.
• 최적화 목표를 통해 일종 SVM의 결정 경계를 암묵적으로 활용함으로써 강건한 이방자 탐지가 가능해진다.
• 모델은 확장 가능하며, 레이블이 부여된 이상치가 없더라도 다양한 그래프 데이터셋에 잘 일반화된다.

실험 결과

연구 질문

• RQ1 딥 표현 학습을 활용하여 일종 분류 원칙을 그래프 구조 데이터로 효과적으로 확장할 수 있는가?
• RQ2 그래프 신경망은 비지도 이상 탐지 작업을 수행하면서도 고전적 일종 방법의 강건성을 유지할 수 있도록 어떻게 적응시킬 수 있는가?
• RQ3 GNN과 일종 학습을 융합하면 기존의 그래프 이상 탐지 베이스라인보다 더 뛰어난 성능을 낼 수 있는가?
• RQ4 제안된 OCGNN 프레임워크는 다양한 그래프 데이터셋에 대해 얼마나 안정적이고 일반화 가능한가?

주요 결과

• OCGNN는 여러 벤치마크 데이터셋에서 기존 최고 성능의 베이스라인들보다 뚜렷한 성능 향상을 달성한다.
• GNN와 일종 학습 목표의 융합은 정상 노드와 이상 노드를 더 잘 분리하는 더 구분력 있는 노드 표현을 이끌어낸다.
• OCGNN는 다양한 그래프 구조와 특징 분포에 대해 강건성과 일반화 능력을 보여준다.
• 레이블이 부족하거나 전혀 없는 환경에서도 높은 성능를 유지하므로, 실세계의 비지도 환경에 적합하다.