[논문 리뷰] Rethinking Graph Neural Networks for Anomaly Detection

Jianheng Tang, Jiajin Li외 2명|arXiv (Cornell University)|2022. 05. 31.

Anomaly Detection Techniques and Applications인용 수 52

한 줄 요약

이 논문은 스펙트럴 도메인에서 그래프 이상치를 분석하고 BWGNN(Beta 웨이브렛 기반 GNN)을 도입하여 스펙트럼-로컬라이즈드 밴드패스 필터로 고주파 이상 신호를 다룬다.

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

연구 동기 및 목표

• 그래프 스펙트럼 관점에서 이상 탐지의 필요성을 제시하고 이상 신호가 에너지를 더 높은 주파수로 이동시키는 오른쪽 이동 현상을 식별합니다.
• 가우시안 이상 모델을 사용하여 이상 정도가 스펙트럴 에너지 분포에 어떤 영향을 미치는지 분석합니다.
• 이상 탐지에 맞춘 스펙트럼 국소화 밴드패스 필터링을 제공하는 Beta 웨이브렛 기반 그래프 신경망을 제안합니다.
• 합성 및 실제 데이터셋에서 이론적 통찰을 검증하고 BWGNN을 기존 방법과 비교합니다.

제안 방법

• Hammond의 그래프 웨이블럿 이론을 사용하여 그래프 신호용 밴드패스 필터를 설계합니다.
• 다항 커널을 가진 Beta 분포 기반 그래프 웨이브렛을 도입하여 W = beta*(L) 계산을 효율적으로 하고 C+1 계열의 웨이브렛 가족을 제공합니다.
• 여러 Beta 웨이브렛으로 노드 특징을 병렬 필터링하고 결과를 집계하여 BWGNN을 구성합니다.
• 레이블 불균형을 처리하기 위해 가중치가 있는 크로스 엔트로피로 학습하고 Adam으로 최적화합니다.
• 스펙트럴 및 공간 도메인에서의 국소성을 분석하고 기존의 열 커널(heat-kernel) 및 확산 기반 GNN과의 관계를 논의합니다.

실험 결과

연구 질문

• RQ1 이상 신호의 존재가 그래프 신호의 스펙트럴 에너지 분포에 어떻게 영향을 미치는가?
• RQ2 스펙트럼 국소화된 밴드패스 필터가 전통적인 로우패스 또는 확산 기반 GNN보다 고주파 이상 신호 특감을 더 잘 포착할 수 있는가?
• RQ3 대규모 그래프에서 BWGNN이 최첨단 방법과 비교하여 이상 탐지 성능을 향상시키는가?
• RQ4 그래프 이상치에 대한 Beta 웨이브렛의 스펙트럴 국소성과 공간 국소성 간의 트레이드오프는 무엇인가?

주요 결과

• 이상은 스펙트럴 에너지의 오른쪽 이동을 유발하며, 이상 정도가 커질수록 더 많은 에너지가 더 높은 주파수에 나타난다.
• 고주파 영역 S_high는 x^T L x / x^T x로 계산되며 이상 정도와 상관관계가 있어 전체 고유분해 없이도 스펙트럴 이동을 나타낼 수 있다.
• BWGNN은 감독학습 및 반지도 학습 설정에서 YelpChi, Amazon, T-Finance, T-Social 데이터셋에 대해 기초 GNN 및 최첨단 이상 탐지기보다 일관되게 우수한 성능을 보인다.
• BWGNN(이질적) 및 BWGNN(동질적)은 다중 관계 그래프에서 강력한 결과를 달성하며 경쟁자 대비 상당한 향상과 더 빠른 훈련 시간을 보여준다.
• Beta 웨이브렛은 스펙트럴 및 공간 국소성을 제공하여 계산 효율성을 유지하면서 고주파 이상 신호를 효과적으로 포착한다.