[논문 리뷰] Anomaly Detection in Multiplex Dynamic Networks: from Blockchain Security to Brain Disease Prediction

Ali Behrouz, Margo Seltzer|arXiv (Cornell University)|2022. 11. 15.

Anomaly Detection Techniques and Applications인용 수 7

한 줄 요약

AnoMulY는 그래프 신경망(GNN) 레이어 간의 계층적 노드 상태, GRU를 통한 시간적 모델링, 그리고 상호관계 주의 메커니즘을 활용하여 다중층 동적 네트워크에서 비지도로 간선 이상 탐지하는 새로운 프레임워크이다. 이는 실세계 데이터셋 9개(뇌 네트워크 포함)에서 최신 기술(SOTA) 수준의 성능을 달성하며, ADHD 환자에서 비정상적인 기능적 연결을 드러내어 질병 예측 잠재력이 있음을 입증한다.

ABSTRACT

The problem of identifying anomalies in dynamic networks is a fundamental task with a wide range of applications. However, it raises critical challenges due to the complex nature of anomalies, lack of ground truth knowledge, and complex and dynamic interactions in the network. Most existing approaches usually study networks with a single type of connection between vertices, while in many applications interactions between objects vary, yielding multiplex networks. We propose ANOMULY, a general, unsupervised edge anomaly detection framework for multiplex dynamic networks. In each relation type, ANOMULY sees node embeddings at different GNN layers as hierarchical node states and employs a GRU cell to capture temporal properties of the network and update node embeddings over time. We then add an attention mechanism that incorporates information across different types of relations. Our case study on brain networks shows how this approach could be employed as a new tool to understand abnormal brain activity that might reveal a brain disease or disorder. Extensive experiments on nine real-world datasets demonstrate that ANOMULY achieves state-of-the-art performance.

연구 동기 및 목표

• 다중층 동적 네트워크에서 비지도로 일반화 가능한 간선 이상 탐지 방법의 부족을 해결하기 위해.
• 기존 방법의 한계, 즉 고정된 구조 가정, 관계 유형 간 동일한 대우, 노드 수준 이상에 집중하는 것 등을 극복하기 위해.
• 금융 네트워크나 뇌 기능 네트워크와 같은 실제 시스템에서 복잡하고 변화하는 이상을 탐지할 수 있도록 하기 위해.
• 시간적 동적 변화와 다층 간 보완 정보를 모두 포괄하는 유연하고 확장 가능한 프레임워크를 제공하기 위해.

제안 방법

• AnoMulY는 다중 GNN 레이어를 통해 노드 임베딩을 계층적 노드 상태로 모델링하여 다중 척도의 네트워크 표현을 포착한다.
• 노드 임베딩의 시간적 변화를 모델링하고 동적 네트워크 행동을 포착하기 위해 게이팅된 순환 단위(GRU)를 활용한다.
• 다양한 관계 유형(레이어) 간 정보를 집계하기 위해 주의 메커니즘을 적용하여 각 레이어의 중요도를 적응적으로 가중치를 부여한다.
• 지표 레이블이 필요 없이 비지도로 이상 간선을 학습하기 위해 선택적 음성 샘플링을 사용한다.
• 단지 노드나 부분 그래프 이상이 아닌, 이상 거래나 비정상적인 뇌 기능적 연결과 같은 간선 수준 이상을 탐지하도록 설계되어 있다.
• 단일 레이어 네트워크를 다중층 네트워크로 모델링하여 더 풍부한 구조적 정보를 통해 성능 향상을 이룬다.

실험 결과

연구 질문

• RQ1 비지도 프레임워크는 다중층 동적 네트워크에서 기존 방법보다 간선 수준 이상을 더 효과적으로 탐지할 수 있는가?
• RQ2 계층적 노드 상태, 시간적 모델링, 상호관계 주의 메커니즘의 통합이 복잡한 네트워크에서 이상 탐지 성능을 어떻게 향상시키는가?
• RQ3 AnoMulY는 뇌 기능 네트워크에서 생물학적으로 의미 있는 이상을 어느 정도 탐지할 수 있는가, 특히 ADHD의 경우에 대해?
• RQ4 다양한 훈련 데이터 비율과 노이즈가 많거나 의미 없는 네트워크 레이어에 대해 AnoMulY는 얼마나 강건한가?
• RQ5 희귀하거나 구조적으로 복잡한 이상일 경우, AnoMulY는 레이어 독립적 및 레이어 종속적 이상을 효과적으로 탐지할 수 있는가?

주요 결과

• AnoMulY는 실세계 데이터셋 9개(블록체인, 사회, 뇌 네트워크 포함)에서 최신 기술(SOTA) 수준의 성능을 달성하며, 기존 SOTA 방법을 능가한다.
• Ripple 블록체인 데이터셋에서 AUC는 훈련 비율이 20%로 낮아져도 안정적으로 유지되어, 제한된 레이블 데이터에서도 강건함을 입증한다.
• ADHD-Brain 데이터셋에서 AnoMulY는 후두엽과 측두엽에 관련된 이상 간선의 농도를 확인하여 ADHD의 잠재적 신경 기반 연관성을 시사한다.
• 모델은 레이어 독립적 및 레이어 종속적 이상을 모두 성공적으로 탐지하여, 다양한 관계 유형 간 보완 정보를 효과적으로 활용할 수 있음을 입증한다.
• 주의 메커니즘이 정보가 많은 레이어에 더 높은 가중치를 할당하여, 관련성이 낮거나 의미 없는 관계에서 오는 노이즈를 줄였다.
• AnoMulY는 개인 뇌 네트워크에서 비정상적인 기능적 연결 패턴을 드러내어 뇌 질환의 조기 진단에 새로운 통찰을 제공한다.