[论文解读] ARISE: Graph Anomaly Detection on Attributed Networks via Substructure Awareness

Jingcan Duan, Xiao, Bin+3 more|arXiv (Cornell University)|Nov 28, 2022

Advanced Graph Neural Networks被引用 5

一句话总结

ARISE 提出了一种新颖的属性网络图异常检测框架，通过识别高密度子结构作为可疑区域，同时检测拓扑异常和属性异常。它使用区域提议模块检测密集子图，计算其中节点对之间的平均相似度以评分拓扑异常，并应用图对比学习增强属性表征，实现了最先进性能，AUC 最高提升 7.30%，AUPRC 最高提升 17.46%。

ABSTRACT

Recently, graph anomaly detection on attributed networks has attracted growing attention in data mining and machine learning communities. Apart from attribute anomalies, graph anomaly detection also aims at suspicious topological-abnormal nodes that exhibit collective anomalous behavior. Closely connected uncorrelated node groups form uncommonly dense substructures in the network. However, existing methods overlook that the topology anomaly detection performance can be improved by recognizing such a collective pattern. To this end, we propose a new graph anomaly detection framework on attributed networks via substructure awareness (ARISE for abbreviation). Unlike previous algorithms, we focus on the substructures in the graph to discern abnormalities. Specifically, we establish a region proposal module to discover high-density substructures in the network as suspicious regions. The average node-pair similarity can be regarded as the topology anomaly degree of nodes within substructures. Generally, the lower the similarity, the higher the probability that internal nodes are topology anomalies. To distill better embeddings of node attributes, we further introduce a graph contrastive learning scheme, which observes attribute anomalies in the meantime. In this way, ARISE can detect both topology and attribute anomalies. Ultimately, extensive experiments on benchmark datasets show that ARISE greatly improves detection performance (up to 7.30% AUC and 17.46% AUPRC gains) compared to state-of-the-art attributed networks anomaly detection (ANAD) algorithms.

研究动机与目标

• 为解决现有方法在检测拓扑异常方面的局限性，这些异常常因正常属性和复杂连接模式而被忽略。
• 通过识别网络中高密度子结构中的集体异常行为，提升异常检测效果。
• 通过整合子结构感知与对比学习，统一框架联合检测拓扑与属性异常。
• 通过可学习的权衡参数平衡两类异常的检测，确保在多样化数据集上的全面性能。

提出的方法

• 基于密度聚类的区域提议模块，用于在属性网络中识别高密度子结构作为可疑区域。
• 拓扑异常评分通过计算每个检测到的子结构内节点对之间的平均相似度获得，相似度越低表示异常可能性越高。
• 采用图对比学习以学习鲁棒且具有判别性的节点属性嵌入，提升属性异常检测能力。
• 使用可学习的权衡参数 α 对拓扑与属性异常评分进行加权融合，以平衡两类异常。
• 框架利用图神经网络从拓扑与属性中提取分层表征，提升整体检测鲁棒性。

实验结果

研究问题

• RQ1 如何有效识别属性网络中的高密度子结构作为潜在拓扑异常区域？
• RQ2 子结构内节点对平均相似度在多大程度上可作为拓扑异常检测的可靠代理？
• RQ3 图对比学习能否提升节点属性表征质量，从而实现更准确的属性异常检测？
• RQ4 如何融合拓扑与属性异常评分以实现平衡且全面的检测性能？
• RQ5 在不同异常比例下，拓扑与属性异常检测的最佳权衡是什么？

主要发现

• ARISE 在基准属性网络数据集上，AUC 最高提升 7.30%，AUPRC 最高提升 17.46%，超越最先进方法。
• 当 α = 0.8 时，ARISE 在拓扑与属性异常检测之间达到最佳平衡，Cora 数据集 AUC 达 0.9438，CiteSeer 为 0.9310，PubMed 为 0.9712。
• 当 α = 0.2 时，模型在检测拓扑异常方面表现显著更优，但属性异常检测能力下降，证实了平衡融合的必要性。
• 在异常分布不均衡时（如 1:9 比例），α = 1.0 时性能达到峰值，表明权衡参数需根据数据分布自适应调整。
• 区域提议模块成功识别出与集体拓扑异常相对应的密集子结构，验证了子结构感知检测原理的有效性。