[论文解读] Graph Anomaly Detection via Multi-Scale Contrastive Learning Networks with Augmented View

Jingcan Duan, Siwei Wang+6 more|arXiv (Cornell University)|Dec 1, 2022

Advanced Graph Neural Networks被引用 9

一句话总结

本文提出 GRADATE，一种图异常检测框架，通过在多视图设置下引入边修改图增强的子图-子图对比学习，增强多尺度对比学习。通过联合优化节点-子图、节点-节点和子图-子图对比，GRADATE 在六个基准数据集上实现最先进性能，AUC 提升最高达 92.62%（UAI2010）和 92.37%（Cora）。

ABSTRACT

Graph anomaly detection (GAD) is a vital task in graph-based machine learning and has been widely applied in many real-world applications. The primary goal of GAD is to capture anomalous nodes from graph datasets, which evidently deviate from the majority of nodes. Recent methods have paid attention to various scales of contrastive strategies for GAD, i.e., node-subgraph and node-node contrasts. However, they neglect the subgraph-subgraph comparison information which the normal and abnormal subgraph pairs behave differently in terms of embeddings and structures in GAD, resulting in sub-optimal task performance. In this paper, we fulfill the above idea in the proposed multi-view multi-scale contrastive learning framework with subgraph-subgraph contrast for the first practice. To be specific, we regard the original input graph as the first view and generate the second view by graph augmentation with edge modifications. With the guidance of maximizing the similarity of the subgraph pairs, the proposed subgraph-subgraph contrast contributes to more robust subgraph embeddings despite of the structure variation. Moreover, the introduced subgraph-subgraph contrast cooperates well with the widely-adopted node-subgraph and node-node contrastive counterparts for mutual GAD performance promotions. Besides, we also conduct sufficient experiments to investigate the impact of different graph augmentation approaches on detection performance. The comprehensive experimental results well demonstrate the superiority of our method compared with the state-of-the-art approaches and the effectiveness of the multi-view subgraph pair contrastive strategy for the GAD task.

研究动机与目标

• 解决现有图异常检测方法忽略子图-子图对比学习的问题，尽管其在鲁棒子图表征方面具有潜力。
• 通过在图的多个视图中整合多尺度对比学习，提升节点级和子图级异常检测性能。
• 研究不同图增强策略（尤其是边修改）对对比学习在异常检测中性能的影响。
• 开发一个统一框架，协同结合节点-子图、节点-节点和子图-子图对比，以提升检测的鲁棒性和准确性。

提出的方法

• 构建输入图的两个视图：原始图作为第一视图，通过边修改生成的图作为第二视图。
• 使用带重启的随机游走从两个视图中采样子图，以支持子图级表征学习。
• 实现三种对比学习头：节点-子图、节点-节点和子图-子图对比，其中后者特别设计用于对齐不同视图间的子图嵌入。
• 使用加权损失函数联合优化所有三种对比目标，其中包含可学习的平衡参数 α、β 和 γ。
• 利用图神经网络（GNNs）在每种子对比目标下编码节点、子图和邻域表征。
• 通过融合所有对比分支的表征，聚合每个节点的异常分数，以提升检测的可靠性。

实验结果

研究问题

• RQ1 与现有的节点级和子图级对比相比，引入子图-子图对比如何提升图异常检测性能？
• RQ2 在多视图对比学习用于 GAD 的背景下，哪种图增强策略——特征扰动还是边修改——表现更优？
• RQ3 每种子对比目标（节点-子图、节点-节点、子图-子图）对整体检测性能的相对贡献如何？
• RQ4 模型性能对超参数（如平衡权重 α、β、γ 和边修改比例 P）的敏感性如何？
• RQ5 所提出的多视图、多尺度对比学习框架能否在具有不同异常特征的多样化真实世界图数据集上有效泛化？

主要发现

• 引入子图-子图对比显著提升检测性能，GRADATE 在 UAI2010 数据集上达到 AUC 0.9262，优于基线 NS+NN（0.8731）。
• 边修改作为图增强方法在所有数据集上表现最佳，Citation 数据集上 AUC 达 0.8138，Cora 数据集上达 0.9237，优于基于特征的增强方法（如 GNF 和 FM）。
• 消融研究证实，结合全部三种对比目标（NS+NN+SS）性能最高，相比仅使用节点-子图的基线平均提升 2.5% AUC。
• 子图-子图对比的最优平衡参数 γ 在所有数据集中均为 0.1，表明该对比信号在适度加权时最有效。
• 性能在不同边修改比例（P）下保持稳定，当 P 从 0.1 到 0.3 变化时波动极小，支持该方法的鲁棒性。
• 敏感性分析表明 α 和 β 对性能有显著影响，EAT 上最优值为 α=0.9 和 β=0.3，UAI2010 上为 α=0.7 和 β=0.5，表明超参数调优至关重要。