Graph Anomaly Detection at Group Level: A Topology Pattern Enhanced Unsupervised Approach

要約

グラフ異常検出 (GAD) は成功を収めており、不正検出、サイバーセキュリティ、金融セキュリティ、生化学などのさまざまな領域に広く適用されています。
しかし、既存のグラフ異常検出アルゴリズムは、個々のエンティティ (ノードまたはグラフ) を区別することに焦点を当てており、グラフ内の異常なグループの可能性を見落としています。
この制限に対処するために、このペーパーでは、グループレベルのグラフ異常検出 (Gr-GAD) と呼ばれる新しいタスクのための新しい教師なしフレームワークを紹介します。
提案されたフレームワークは、まず、Graph AutoEncoder (GAE) のバリアントを使用して、長距離の不整合をキャプチャすることで、潜在的な異常グループに属するアンカー ノードを特定します。
続いて、グループ サンプリングを使用して候補グループをサンプリングし、提案されたトポロジ パターン ベースのグラフ対比学習 (TPGCL) 手法に入力します。
TPGCL は、グループのトポロジー パターンを手がかりとして利用して、各候補グループの埋め込みを生成し、したがって個別の異常グループを生成します。
現実世界と合成データセットの両方での実験結果は、提案されたフレームワークが異常グループの特定と位置特定において優れたパフォーマンスを示し、Gr-GAD の有望なソリューションであることを強調しています。
提案されたフレームワークのデータセットとコードは、github リポジトリ https://anonymous.4open.science/r/Topology-Pattern-Enhanced-Unsupervised-Group-level-Graph-Anomaly-Detection にあります。

要約(オリジナル)

Graph anomaly detection (GAD) has achieved success and has been widely applied in various domains, such as fraud detection, cybersecurity, finance security, and biochemistry. However, existing graph anomaly detection algorithms focus on distinguishing individual entities (nodes or graphs) and overlook the possibility of anomalous groups within the graph. To address this limitation, this paper introduces a novel unsupervised framework for a new task called Group-level Graph Anomaly Detection (Gr-GAD). The proposed framework first employs a variant of Graph AutoEncoder (GAE) to locate anchor nodes that belong to potential anomaly groups by capturing long-range inconsistencies. Subsequently, group sampling is employed to sample candidate groups, which are then fed into the proposed Topology Pattern-based Graph Contrastive Learning (TPGCL) method. TPGCL utilizes the topology patterns of groups as clues to generate embeddings for each candidate group and thus distinct anomaly groups. The experimental results on both real-world and synthetic datasets demonstrate that the proposed framework shows superior performance in identifying and localizing anomaly groups, highlighting it as a promising solution for Gr-GAD. Datasets and codes of the proposed framework are at the github repository https://anonymous.4open.science/r/Topology-Pattern-Enhanced-Unsupervised-Group-level-Graph-Anomaly-Detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google