[论文解读] Graph Anomaly Detection with Graph Neural Networks: Current Status and Challenges

Hwan Kim, Byung Suk Lee+2 more|arXiv (Cornell University)|Sep 29, 2022

Advanced Graph Neural Networks被引用 4

一句话总结

本综述全面回顾了基于图神经网络（GNN）的图异常检测方法，按图类型（静态/动态）、异常类型（节点/边/子图/整张图）以及架构（如图自编码器、GCN）进行分类。它识别出关键挑战，如可解释性、类别不平衡、异构图以及少样本学习，并为未来基于GNN的图异常检测研究提供了基础参考。

ABSTRACT

Graphs are used widely to model complex systems, and detecting anomalies in a graph is an important task in the analysis of complex systems. Graph anomalies are patterns in a graph that do not conform to normal patterns expected of the attributes and/or structures of the graph. In recent years, graph neural networks (GNNs) have been studied extensively and have successfully performed difficult machine learning tasks in node classification, link prediction, and graph classification thanks to the highly expressive capability via message passing in effectively learning graph representations. To solve the graph anomaly detection problem, GNN-based methods leverage information about the graph attributes (or features) and/or structures to learn to score anomalies appropriately. In this survey, we review the recent advances made in detecting graph anomalies using GNN models. Specifically, we summarize GNN-based methods according to the graph type (i.e., static and dynamic), the anomaly type (i.e., node, edge, subgraph, and whole graph), and the network architecture (e.g., graph autoencoder, graph convolutional network). To the best of our knowledge, this survey is the first comprehensive review of graph anomaly detection methods based on GNNs.

研究动机与目标

• 系统且全面地回顾基于图神经网络（GNN）的图异常检测的最新进展。
• 根据图类型（静态与动态）、异常类型（节点、边、子图、整张图）以及网络架构，对现有基于GNN的方法进行分类。
• 识别并分析基于GNN的图异常检测中的关键挑战，包括可解释性、类别不平衡，以及对异构或动态图的处理。
• 突出显示尚未充分探索的研究方向，如少样本学习和复杂图结构中的异常检测。
• 为致力于推动基于GNN的图异常检测在实际应用中发展的研究人员提供基础参考。

提出的方法

• 从三个维度对基于GNN的图异常检测方法进行分类：图类型（静态/动态）、异常类型（节点/边/子图/整张图）以及网络架构（如GCN、图自编码器）。
• 回顾代表性模型，如图自编码器和基于GCN的架构，这些模型利用节点特征与图拓扑结构联合计算异常评分。
• 分析在GNN中使用重构损失和基于距离的函数，通过嵌入空间的偏离程度来识别异常。
• 评估消息传递机制在同时捕捉结构异常与基于特征的异常中的作用。
• 提出采用双曲空间或灵活嵌入空间，以更好地建模复杂图的几何结构，并提升异常检测的鲁棒性。
• 讨论数据增强和元学习等策略，以应对低数据环境下类别不平衡及少样本异常检测问题。

实验结果

研究问题

• RQ1 基于GNN的方法如何通过整合图中的结构模式与基于特征的模式，有效检测异常？
• RQ2 在静态与动态图中，用于图异常检测的GNN模型在关键架构差异与性能权衡方面有何不同？
• RQ3 为何可解释性是基于GNN的图异常检测中的关键挑战？当前该领域存在哪些局限？
• RQ4 正常与异常样本之间的类别不平衡如何影响基于GNN的异常检测？有哪些有效的缓解策略？
• RQ5 在使用GNN检测异构图或动态图中的异常时，仍面临哪些开放性挑战？未来最具前景的研究方向是什么？

主要发现

• 目前的大多数研究集中于静态图中节点异常的检测，而对边、子图或整张图异常的研究仍较为有限。
• 基于GNN的模型通过消息传递机制有效结合了结构信息与特征信息，实现了多模态异常的联合检测。
• GNN中基于重构的损失函数对噪声敏感，当异常与正常样本在嵌入空间中相距较远时可能失效。
• 尽管对可解释的异常解释有迫切需求，但目前在可解释GNN用于图异常检测方面的研究仍严重不足。
• 类别不平衡仍是主要挑战，且目前尚未提出针对图异常检测的、有效的数据增强或采样策略。
• 基于GNN的少样本图异常检测研究尚未充分展开，尽管近期通过元学习和少量标注异常样本的方法已显示出潜力。