NK-GAD：隣人知識を強化した教師なしグラフ異常検知

Abstract

グラフ異常検知は、グラフ構造化データにおける不規則なパターンを特定することを目的とします。ほとんどの教師なしGNNベース手法は、接続されたノードは類似した属性を共有するという同質性（homophily）の仮定に依存しています。しかし、実世界のグラフでは、属性レベルの異質性（heterophily）—すなわち、接続されたノード同士が不相違な属性を持つ—がしばしば見られます。我々の属性レベルの異質性グラフに関する分析は、現在の手法が教師なしのグラフ異常検知に実用的でないことを示す2つの現象を明らかにします：1) 接続されたノード間の属性類似度は、異なる接続ノード対タイプ間でほぼ同一の分布を示すこと、そして2) 異常は、スペクトルエネルギー分布の低周波成分および高周波成分において、異常エッジを含むグラフと含まないグラフの間で一貫した変動傾向を引き起こす一方、中央部分ではより不規則な変動が見られることです。これらの観察に基づき、近傍知識強化の教師なしグラフ異常検知フレームワークであるNK-GADを提案します。NK-GADは、類似および非類似の近傍特徴の両方を捉える統合エンコーダ、正常分布をモデル化する近傍再構成モジュール、ノード特徴を洗練する中心集約モジュール、属性と構造をそれぞれ再構成するためのデュアルデコーダを統合します。7つのデータセットでの実験により、NK-GADは平均3.29\%のAUC向上を達成します。