[论文解读] Reconstruction Enhanced Multi-View Contrastive Learning for Anomaly Detection on Attributed Networks

Jiaqiang Zhang, Senzhang Wang+1 more|arXiv (Cornell University)|May 10, 2022

Advanced Graph Neural Networks被引用 9

一句话总结

本文提出Sub-CR，一种用于属性网络异常检测的自监督框架，通过联合优化多视图对比学习模块与属性重建模块，实现SOTA性能。该方法通过基于子图的视图解耦局部与全局结构信息，并利用掩码自编码器实现邻近节点间的属性一致性，从而在五个基准数据集上显著优于现有方法。

ABSTRACT

Detecting abnormal nodes from attributed networks is of great importance in many real applications, such as financial fraud detection and cyber security. This task is challenging due to both the complex interactions between the anomalous nodes with other counterparts and their inconsistency in terms of attributes. This paper proposes a self-supervised learning framework that jointly optimizes a multi-view contrastive learning-based module and an attribute reconstruction-based module to more accurately detect anomalies on attributed networks. Specifically, two contrastive learning views are firstly established, which allow the model to better encode rich local and global information related to the abnormality. Motivated by the attribute consistency principle between neighboring nodes, a masked autoencoder-based reconstruction module is also introduced to identify the nodes which have large reconstruction errors, then are regarded as anomalies. Finally, the two complementary modules are integrated for more accurately detecting the anomalous nodes. Extensive experiments conducted on five benchmark datasets show our model outperforms current state-of-the-art models.

研究动机与目标

• 解决属性网络中异常源于结构偏差与属性不一致性的挑战。
• 克服现有方法在有效分离或利用局部与全局结构信息方面的局限性。
• 利用邻近节点间属性一致性的自监督信号以提升异常检测性能。
• 设计一个统一框架，整合多视图对比学习与基于重建的学习，以增强表征学习。

提出的方法

• 通过图扩散与子图采样构建两个对比视图——局部与全局视图，以捕获互补的结构信息。
• 采用双视图对比学习模块，最大化视图内与视图间节点与子图表征的一致性，增强判别性特征学习。
• 属性重建模块利用邻近节点表征重建目标节点的原始属性，通过高重建误差识别异常。
• 通过可学习的平衡因子γ将对比学习与重建模块联合优化。
• 在重建模块中采用掩码自编码器，以强制邻近节点间属性一致性。
• 框架使用基于GCN的编码器提取节点与子图表征，子图大小与嵌入维度经调优以实现最佳性能。

实验结果

研究问题

• RQ1 解耦局部与全局结构信息是否能提升属性网络中的异常检测性能？
• RQ2 基于邻域一致性的属性重建在识别异常节点方面效果如何？
• RQ3 多视图对比学习与基于重建的学习在异常检测中的相对贡献为何？
• RQ4 子图大小、嵌入维度与平衡因子γ等超参数如何影响模型性能？
• RQ5 结合对比学习与重建目标的统一自监督框架是否能超越现有SOTA方法？

主要发现

• Sub-CR在五个基准数据集上达到SOTA性能，显著优于现有SOTA模型。
• 与无对比模块的变体相比，Sub-CR在Pubmed上AUC提升17.03%，在CiteSeer上提升14.11%。
• 消融实验确认对比模块与重建模块均不可或缺，其中对比模块对性能提升贡献最大。
• 最优子图大小为P=2（Flickr与CiteSeer），P=4（BlogCatalog、Cora与Pubmed），表明对数据特征敏感。
• 当γ≥0.4时，模型对γ值具有鲁棒性，且在所有数据集上γ≥0.4时性能最佳。
• 在大多数数据集中，嵌入维度d=64时性能最优，过小或过大均导致性能下降。