[论文解读] Anomaly Detection in Multiplex Dynamic Networks: from Blockchain Security to Brain Disease Prediction

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

Anomaly Detection Techniques and Applications被引用 7

一句话总结

AnoMulY 是一种新颖的无监督边异常检测框架，专为多层动态网络设计，通过图神经网络（GNN）各层中的分层节点状态、基于门控循环单元（GRU）的时序建模以及跨关系注意力机制，实现对异常边的检测。该方法在九个真实世界数据集上达到最先进性能，包括脑网络，并揭示了注意力缺陷多动障碍（ADHD）患者中的异常功能连接，展现出其在疾病预测方面的潜力。

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.

研究动机与目标

• 解决多层动态网络中缺乏无监督、可泛化的边异常检测方法的问题。
• 克服现有方法的局限性，如结构假设过于刚性、对关系类型的处理方式相同，以及仅关注节点级异常。
• 实现实时系统（如金融网络和脑功能网络）中复杂、动态演变异常的检测。
• 提供一种灵活且可扩展的框架，以捕捉时序动态特性以及跨层互补信息。

提出的方法

• AnoMulY 将多层 GNN 中的节点嵌入建模为分层节点状态，以捕捉多尺度的网络表征。
• 采用门控循环单元（GRU）对节点嵌入的时序演化进行建模，以捕捉动态网络行为。
• 通过注意力机制聚合不同关系类型（层）的信息，使模型能够自适应地权衡各层的重要性。
• 使用选择性负采样在无监督设置下学习异常边，无需真实标签。
• 该框架专注于检测边级异常（如可疑交易或异常脑功能连接），而非仅节点或子图异常。
• 通过将单层网络建模为多层网络，实现对单层网络的泛化，从而利用更丰富的结构信息提升性能。

实验结果

研究问题

• RQ1 无监督框架是否能比现有方法更有效地检测多层动态网络中的边级异常？
• RQ2 分层节点状态、时序建模与跨关系注意力机制的融合，如何提升复杂网络中的异常检测性能？
• RQ3 AnoMulY 在脑功能网络中识别出具有生物学意义的异常程度如何，特别是在注意力缺陷多动障碍（ADHD）中？
• RQ4 AnoMulY 对不同训练数据比例以及噪声或不重要的网络层的鲁棒性如何？
• RQ5 当异常稀少或结构复杂时，AnoMulY 是否能有效检测出与层无关和与层相关的异常？

主要发现

• AnoMulY 在九个真实世界数据集（包括区块链、社交网络和脑网络）上达到最先进性能，优于现有最先进方法。
• 在 Ripple 区块链数据集上，AUC 在训练比例低至 20% 时仍保持稳定，表明其在标注数据有限情况下的强鲁棒性。
• 在 ADHD-Brain 数据集中，AnoMulY 识别出涉及枕叶和颞叶的异常边高度集中，提示这些区域可能与 ADHD 的神经机制相关。
• 该模型成功检测出与层无关和与层相关的异常，证明其能有效利用不同关系类型之间的互补信息。
• 注意力机制能有效为信息丰富的层分配更高权重，从而减少不相关或不重要的关系带来的噪声。
• AnoMulY 揭示了个体脑网络中的异常功能连接模式，为脑部疾病早期检测提供了新见解。