[논문 리뷰] Towards Self-Interpretable Graph-Level Anomaly Detection

Yixin Liu, Kaize Ding외 4명|arXiv (Cornell University)|2023. 10. 25.

Advanced Graph Neural Networks인용 수 25

한 줄 요약

SIGNET은 감독 없이 그래프와 그 이중 초그래프로부터 교차 뷰 병목 하위 그래프를 학습하여 그래프 수준 이상치를 공동으로 탐지하고 설명을 제공합니다.

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.

연구 동기 및 목표

• 설명 가능한 그래프 수준 이상치 탐지(Explainable GLAD)를 정의하여 모델이 이상치 점수와 합리적 서브그래프를 출력하게 한다.
• 그라운드 트루스 이상치 라벨 없이도 설명을 학습하는 자기 해석 가능한 GLAD 모델을 개발한다.
• 정보가 담긴 병목 하위그래프를 추출하기 위한 다중 뷰 서브그래프 정보 병목(MSIB) 프레임워크를 제안한다.
• 서로 다른 뷰를 생성하고 자기지도 학습을 가능하게 하기 위해 이중 초그래프 변환을 활용한다.
• SIGNET가 강력한 이상치 탐지 성능을 달성하고 의미 있는 설명을 제공함을 보여준다.

제안 방법

• 자기 해석 가능한 GLAD를 위한 설계 기반으로 MSIB를 도입한다.
• 각 그래프에 대해 두 가지 뷰를 구성한다: 원래 그래프 G와 그 이중 초그래프 G*를 이중 초그래프 변환(DHT)을 통해 생성한다.
• 병목 하위그래프 추출기를 사용하여 G^(s)와 G^(s)*를 정의하는 확률적 노드/에지 선택을 생성한다.
• 정보-NCE objective를 사용하여 교차 뷰 상호정보 I(h_{G^(s)}; h_{G^(s)*})를 최대화하여 표현과 설명을 학습한다.
• 추론 시 이상치 점수를 -I(h_{G^(s)}; h_{G^(s)*})로 계산하고 병목 하위그래프의 상위 k개 노드/에지를 통해 설명을 제공한다.
• 선택적으로 노드 확률을 에지 확률로 확장하여 뷰 간에 하위그래프를 정렬하고 아키텍처를 단순화하기 위해 단일 추출기를 사용한다.

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

실험 결과

연구 질문

• RQ1 SIGNET가 GLAD 예측에 대한 정보성 있는 설명을 제공할 수 있는가(병목 서브그래프를 통한 설명)?
• RQ2 다양한 데이터셋에서 SIGNET가 이상 그래프를 식별하는 효과는 어떠한가?
• RQ3 SIGNET의 핵심 설계 선택들이 성능과 해석가능성에 기여하는 바는 무엇인가?

주요 결과

• SIGNET는 여섯 개의 설명 가능한 GLAD 데이터셋에서 최첨단 설명 성능을 달성했으며, 평균 NX-AUC 증가율이 27.89%, EX-AUC 증가율이 8.99%로 베이스라인보다 높다.
• SIGNET은 16개 데이터셋 중 10개에서 이상 탐지에서 베이스라인을 능가하고 나머지에서도 경쟁력이 있다.
• 이중 초그래프 변환은 뚜렷하고 안정적인 뷰를 제공하며 에지 중심의 설명을 가능하게 한다.
• 두 뷰 모두에 대해 병목 하위그래프를 생성하는 단일 추출기를 사용하면 일관성이 개선되고 모델 복잡도가 감소한다.
• 정량적 및 질적 결과는 SIGNET가 판별력 있는 모티프로 더 높은 확률을 할당하고 의미 있는 설명을 생성함을 보여준다.

(a) The overall pipeline of SIGNET