[论文解读] SpecAE: Spectral AutoEncoder for Anomaly Detection in Attributed Networks

Yuening Li, Xiao Huang+3 more|arXiv (Cornell University)|Aug 11, 2019

Anomaly Detection Techniques and Applications参考文献 23被引用 12

一句话总结

SpecAE 提出了一种用于属性网络异常检测的谱自编码器框架，通过图卷积和反卷积联合学习全局和社区级节点表示，并利用拉普拉斯锐化增强异常可分性。通过整合重构误差与基于高斯混合模型的密度估计，该方法实现了最先进性能，在真实世界数据集上优于现有方法。

ABSTRACT

Anomaly detection aims to distinguish observations that are rare and different from the majority. While most existing algorithms assume that instances are i.i.d., in many practical scenarios, links describing instance-to-instance dependencies and interactions are available. Such systems are called attributed networks. Anomaly detection in attributed networks has various applications such as monitoring suspicious accounts in social media and financial fraud in transaction networks. However, it remains a challenging task since the definition of anomaly becomes more complicated and topological structures are heterogeneous with nodal attributes. In this paper, we propose a spectral convolution and deconvolution based framework -- SpecAE, to project the attributed network into a tailored space to detect global and community anomalies. SpecAE leverages Laplacian sharpening to amplify the distances between representations of anomalies and the ones of the majority. The learned representations along with reconstruction errors are combined with a density estimation model to perform the detection. They are trained jointly as an end-to-end framework. Experiments on real-world datasets demonstrate the effectiveness of SpecAE.

研究动机与目标

• 为解决在节点表现出复杂拓扑结构和异质属性的属性网络中检测异常的挑战。
• 克服基于同质性的嵌入方法因过度平滑表示而掩盖异常节点的局限性。
• 以一种增强异常可区分性的方式，联合建模拓扑结构和节点属性。
• 开发一个统一的端到端框架，整合表示学习、重构和密度估计以实现异常检测。
• 在真实世界属性网络数据集上验证所提方法的有效性。

提出的方法

• SpecAE 采用谱自编码器架构，结合图卷积和反卷积层，从网络拓扑和节点属性中学习低维节点表示。
• 提出一种新颖的图反卷积操作，从拓扑关系中重构节点属性，作为图卷积的互补学习机制。
• 应用拉普拉斯锐化以放大异常节点表示与正常节点表示之间的距离，增强异常可区分性。
• 框架联合训练节点表示和重构误差，随后将结果输入高斯混合模型（GMM）进行基于密度的异常评分。
• 整个系统端到端训练，实现表示学习与异常检测的联合优化。
• 该方法支持检测全局异常（在整个网络中稀有的属性）和社区异常（局部社区中的偏离节点）。

实验结果

研究问题

• RQ1 如何在同时考虑全局和社区级偏差的情况下，正式定义属性网络中的异常？
• RQ2 如何联合建模拓扑结构和节点属性，以保持异常可区分性，避免因同质性假设导致的过度平滑？
• RQ3 重构误差和定制化表示学习对异常检测性能有何影响？
• RQ4 拉普拉斯锐化如何改善异常与正常节点表示之间的分离？
• RQ5 一个结合谱自编码、反卷积和密度估计的统一端到端框架能否优于现有最先进方法？

主要发现

• 在 Cora 数据集上，当使用最优超参数 α = 0.7 时，SpecAE 的 F1 得分为 77.15%，显著优于消融变体。
• 移除社区级表示（SpecAE-N）导致 AUC 下降 15%，证明上下文感知表示在异常检测中的关键作用。
• 移除重构组件（SpecAE-nr）使 AUC 下降 27%，证实重构误差为异常检测提供了关键指标。
• 消融研究显示，完整 SpecAE 模型优于所有变体，表明框架中所有组件的协同效应。
• 在 PolBlog 数据集上的案例研究显示，异常节点因其关键词内容偏离主导政治主题而被正确识别，验证了模型的可解释性。
• 在 Pubmed 数据集上观察到相似的性能趋势，证实 SpecAE 在多样化属性网络结构中的鲁棒性。