[論文レビュー] SpecAE: Spectral AutoEncoder for Anomaly Detection in Attributed Networks

Yuening Li, Xiao Huang+3 more|arXiv (Cornell University)|Aug 11, 2019

Anomaly Detection Techniques and Applications参考文献 23被引用数 12

ひとこと要約

SpecAEは、グラフ畳み込みと畳み込み解除を用いて、グローバルおよびコミュニティレベルのノード表現を同時に学習するスペクトルオートエンコーダーフレームワークを提案する。ラプラシアン鋭化を用いて異常分離性を向上させ、再構成誤差とガウス・ミックスチャネル・モデルによる密度推定を統合することで、実世界のデータセットにおいて最先端の性能を達成する。

ABSTRACT

Anomaly detection aims to distinguish observations that are rare and different from the majority. While most existing algorithms assume that instances are i.i.d., in many practical scenarios, links describing instance-to-instance dependencies and interactions are available. Such systems are called attributed networks. Anomaly detection in attributed networks has various applications such as monitoring suspicious accounts in social media and financial fraud in transaction networks. However, it remains a challenging task since the definition of anomaly becomes more complicated and topological structures are heterogeneous with nodal attributes. In this paper, we propose a spectral convolution and deconvolution based framework -- SpecAE, to project the attributed network into a tailored space to detect global and community anomalies. SpecAE leverages Laplacian sharpening to amplify the distances between representations of anomalies and the ones of the majority. The learned representations along with reconstruction errors are combined with a density estimation model to perform the detection. They are trained jointly as an end-to-end framework. Experiments on real-world datasets demonstrate the effectiveness of SpecAE.

研究の動機と目的

• ノードが複雑なトポロジカル構造と異種の属性を示す属性付きネットワークにおける異常検出の課題に対処すること。
• 同型性に基づく埋め込み手法の限界を克服し、表現が過剰に平滑化され、異常ノードがぼやけてしまうのを防ぐこと。
• トポロジカル構造とノード属性を、異常ノードの区別能を高める形で統合的にモデル化すること。
• 表現学習、再構成、密度推定を統合した一貫性のあるエンドツーエンドフレームワークを構築すること。
• 提案手法の有効性を実世界の属性付きネットワークデータセット上で検証すること。

提案手法

• SpecAEは、ネットワークトポロジーとノード属性の両方から低次元のノード表現を学習するため、グラフ畳み込みおよび畳み込み解除層を備えたスペクトルオートエンコーダー・アーキテクチャを採用する。
• グラフ畳み込みとは補完的な学習メカニズムとして、トポロジカル関係からノード属性を再構成するための新規なグラフ畳み込み解除操作を導入する。
• 異常ノードの表現と通常ノードの表現との距離を拡大するために、ラプラシアン鋭化が適用され、異常ノードの識別能が向上する。
• フレームワークはノード表現と再構成誤差を同時に学習し、その後、ガウス・ミックスチャネル（GMM）に供給して密度ベースの異常スコアを算出する。
• システム全体がエンドツーエンドで訓練され、表現学習と異常検出の両方を統合最適化可能である。
• グローバル異常（ネットワーク全体で希少な属性）とコミュニティ異常（局所的コミュニティ内での逸脱ノード）の両方を検出可能である。

実験結果

リサーチクエスチョン

• RQ1 グローバルおよびコミュニティレベルの逸脱を考慮した場合、属性付きネットワークにおける異常を形式的に定義する方法は何か？
• RQ2 同型性仮定による過剰平滑化を避けるために、トポロジカル構造とノード属性を、異常ノードの区別能を保つ形で統合的にモデル化する方法は何か？
• RQ3 再構成誤差と特化した表現学習が、異常検出性能に与える影響は何か？
• RQ4 ラプラシアン鋭化は、異常ノード表現と通常ノード表現の分離性をどのように向上させるか？
• RQ5 スペクトルオートエンコーディング、畳み込み解除、密度推定を統合した一貫性のあるエンドツーエンドフレームワークは、既存の最先端手法を上回る性能を発揮できるか？

主な発見

• 最適なハイパーパrameter α = 0.7 を用いた場合、Coraデータセットで77.15%のF1スコアを達成し、アブレーション変種を著しく上回る。
• コミュニティレベル表現を削除した場合（SpecAE-N）、AUCが15%低下し、文脈に配慮した表現が異常検出において極めて重要であることが示された。
• 再構成部を削除した場合（SpecAE-nr）、AUCが27%低下し、再構成誤差が異常検出に不可欠な指標を提供していることが確認された。
• アブレーションスタディの結果、完全なSpecAEモデルがすべての変種を上回り、フレームワーク内のすべてのコンポONENTが相乗効果を発揮していることが示された。
• PolBlogデータセットにおけるケーススタディでは、異常ノードが支配的である政治的テーマからキーワードコンテンツで逸脱していることが正しく同定された。これにより、モデルの解釈可能性が裏付けられた。
• Pubmedデータセットでも同様の性能トレンドが観察され、SpecAEの多様な属性付きネットワーク構造へのロバスト性が確認された。