[논문 리뷰] GCCAD: Graph Contrastive Coding for Anomaly Detection

Bo Chen, Jing Zhang외 7명|arXiv (Cornell University)|2021. 08. 17.

Advanced Graph Neural Networks참고 문헌 54인용 수 13

한 줄 요약

이 논문은 거리 기반 학습을 통해 이상 노드를 전반적인 그래프 컨텍스트와 대비시켜 이상 탐지에 사용하는 그래프 대비 코드링 프레임워크 GCCAD를 제안한다. GNN 인코더가 의심스러운 링크를 식별하고 전역 컨텍스트를 학습함으로써, 네 개의 공개 데이터셋에서 감독 및 자기지도 학습 설정 모두에서 최신 기준 성능을 달성한다.

ABSTRACT

Graph-based anomaly detection has been widely used for detecting malicious activities in real-world applications. Existing attempts to address this problem have thus far focused on structural feature engineering or learning in the binary classification regime. In this work, we propose to leverage graph contrastive coding and present the supervised GCCAD model for contrasting abnormal nodes with normal ones in terms of their distances to the global context (e.g., the average of all nodes). To handle scenarios with scarce labels, we further enable GCCAD as a self-supervised framework by designing a graph corrupting strategy for generating synthetic node labels. To achieve the contrastive objective, we design a graph neural network encoder that can infer and further remove suspicious links during message passing, as well as learn the global context of the input graph. We conduct extensive experiments on four public datasets, demonstrating that 1) GCCAD significantly and consistently outperforms various advanced baselines and 2) its self-supervised version without fine-tuning can achieve comparable performance with its fully supervised version.

연구 동기 및 목표

• 기존의 구조적 특징 공학 또는 이진 분류에 의존하는 그래프 기반 이상 탐지 방법의 한계를 해결하기 위해.
• 모든 노드의 평균으로 정의된 전역 그래프 컨텍스트와 이상 노드를 대비시켜 이상 탐지 성능을 향상시키기 위해.
• 노드 특징이나 엣지를 변형하여 합성 노드 레이블을 생성하는 그래프 손상 전략을 설계하여, 낮은 레이블 설정에서도 효과적인 학습을 가능하게 하기 위해.
• 메시지 전달 중에 의심스러운 링크를 추론하고 제거할 수 있는 GNN 인코더를 개발하여 표현 학습을 향상시키기 위해.

제안 방법

• GCCAD는 각 노드가 전역 컨텍스트와의 거리를 측정하는 그래프 대비 코드링 목적함수를 사용하며, 평균에서 멀리 떨어진 노드를 잠재적인 이상 탐지 대상으로 간주한다.
• 메시지 전달 중에 의심스러운 링크를 탐지하고 제거할 수 있도록 설계된 그래프 신경망 인코더를 사용하여, 노이즈 또는 악성 엣지에 대한 강건성을 향상시킨다.
• 전체 노드를 통해 정보를 집계하여 전역 컨텍스트 표현을 학습하며, 이상 탐지 점수 산정의 기준으로 사용한다.
• 자기지도 학습을 위해, 노드 특징이나 엣지를 변형하여 합성 레이블을 생성하는 그래프 손상 전략을 사용하여 실제 레이블이 없이도 사전 학습이 가능하도록 한다.
• 대비 목적함수는 정규 노드를 전역 컨텍스트에 가까이 끌어오르고 이상 노드를 밀어내는 대비 손실을 최적화하여 구현된다.
• 완전 감독 및 자기지도 학습 훈련을 모두 지원하며, 후자의 성능이 감독 학습 버전과 유사하게 유지된다.

실험 결과

연구 질문

• RQ1 전역 컨텍스트와의 노드 거리 기반 대비 학습이 그래프의 이상 탐지 성능을 향상시키는가?
• RQ2 그래프 손상 전략을 통해 생성된 합성 레이블을 사용할 때 GCCAD가 낮은 레이블 설정에서 얼마나 효과적인가?
• RQ3 메시지 전달 중에 의심스러운 링크를 제거하는 것이 이상 탐지 성능 향상에 얼마나 기여하는가?
• RQ4 GCCAD의 자기지도 학습 버전이 완전 감독 학습 대비와 유사한 성능을 달성하는가?
• RQ5 다양한 실세계 데이터셋에서 GCCAD는 최신 기준 베이스라인과 비교해 어떻게 성능을 내는가?

주요 결과

• GCCAD는 네 개의 공개 데이터셋에서 다양한 고급 베이스라인을 크게 능가하며, 일관된 우수성을 입증한다.
• GCCAD의 자기지도 학습 버전은 미세조정 없이도 완전 감독 학습 버전과 유사한 성능을 달성한다.
• 메시지 전달 중 의심스러운 링크 제거 통합으로 인해 모델의 강건성과 표현 품질이 향상된다.
• 그래프 손상 전략은 의미 있는 합성 레이블을 효과적으로 생성하여, 낮은 감독 설정에서도 뛰어난 성능을 이끌어낸다.
• 전역 컨텍스트 거리 기반 대비 목적함수가 이상 노드와 정상 노드를 효과적으로 구분하는 데 성공적이다.