[论文解读] Semi-supervised Anomaly Detection on Attributed Graphs

Atsutoshi Kumagai, Tomoharu Iwata+1 more|arXiv (Cornell University)|Feb 27, 2020

Anomaly Detection Techniques and Applications参考文献 51被引用 5

一句话总结

该论文提出了一种用于属性图的半监督异常检测方法，利用图卷积网络（GCNs）通过最小化包含正常实例的超球体体积，同时将异常实例推出该超球体外部，来学习节点嵌入。该方法在五个真实世界数据集上实现了最先进性能，通过有效整合图结构、节点属性和有限的标注数据，尤其在严重类别不平衡条件下表现优异。

ABSTRACT

We propose a simple yet effective method for detecting anomalous instances on an attribute graph with label information of a small number of instances. Although with standard anomaly detection methods it is usually assumed that instances are independent and identically distributed, in many real-world applications, instances are often explicitly connected with each other, resulting in so-called attributed graphs. The proposed method embeds nodes (instances) on the attributed graph in the latent space by taking into account their attributes as well as the graph structure based on graph convolutional networks (GCNs). To learn node embeddings specialized for anomaly detection, in which there is a class imbalance due to the rarity of anomalies, the parameters of a GCN are trained to minimize the volume of a hypersphere that encloses the node embeddings of normal instances while embedding anomalous ones outside the hypersphere. This enables us to detect anomalies by simply calculating the distances between the node embeddings and hypersphere center. The proposed method can effectively propagate label information on a small amount of nodes to unlabeled ones by taking into account the node's attributes, graph structure, and class imbalance. In experiments with five real-world attributed graph datasets, we demonstrate that the proposed method achieves better performance than various existing anomaly detection methods.

研究动机与目标

• 解决在异常稀少且标注实例稀缺的属性图中进行异常检测的挑战。
• 通过在半监督设置下同时利用图结构和节点属性来提升检测性能。
• 开发一种方法，学习针对一类异常检测的判别性节点嵌入，尤其在类别不平衡条件下表现优异。
• 通过GCNs和一种新型AUC正则化器，实现有限标签信息在图中的有效传播。

提出的方法

• 该方法使用图卷积网络（GCNs）将节点嵌入到潜在空间，同时结合节点属性和图结构。
• 通过训练GCN参数以最小化包含正常节点嵌入的超球体体积，促进正常类别表示的紧凑性。
• 利用受微分的曲线下面积（AUC）损失作为正则化器，将异常节点推向超球体外部，以增强对异常的敏感性。
• 该方法联合优化超球体紧凑性和异常分离，实现有效的单类分类。
• 通过节点嵌入到超球体中心的距离进行异常检测，无需复杂的重建或生成建模。
• 该方法在有正常和异常标签时（Ours-AN）或仅使用正常标签时（Ours-N）进行训练，展示了在不同设置下的鲁棒性。

实验结果

研究问题

• RQ1 一种利用图结构和节点属性的半监督方法，能否在标注数据有限的属性图上提升异常检测性能？
• RQ2 所提出的基于超球体的嵌入目标与现有方法相比，在处理异常检测中的严重类别不平衡问题时表现如何？
• RQ3 引入基于AUC的正则化器在多大程度上提升了对属性图中稀有异常的检测能力？
• RQ4 该方法对嵌入维度和正则化超参数的变化有多强的鲁棒性？

主要发现

• 当使用正常和异常标签进行训练时，所提方法Ours-AN在五个真实世界属性图数据集上的平均测试AUC表现优于15种基线中的13种。
• Ours-N（仅使用正常标签）在所有数据集上均优于DOC-N和DW，证明了其在纯半监督设置下的有效性。
• 该方法对超参数选择具有鲁棒性：Ours-AN在广泛的AUC正则化权重（λ）范围内均保持高性能，且最优λ值因数据集而异。
• 嵌入维度（K）对性能影响极小；Ours-AN在所有测试的K值下均持续优于所有基线。
• 训练时间高效，Ours-AN在Cora数据集（10%标注）上完成500个epoch仅耗时4.92秒，展现出实际可扩展性。
• t-SNE可视化结果证实，Ours-AN学习到的节点嵌入比基线更具判别性，正常与异常实例之间有清晰分离。