Interpretable Graph Anomaly Detection using Gradient Attention Maps

要約

グラフ データ内の異常なパターンを検出することは、データ マイニングにおいて重要なタスクです。
しかし、既存の方法では、満足のいくパフォーマンスを一貫して達成するという課題に直面することが多く、解釈可能性が欠けているため、異常検出の決定についての理解が妨げられています。
この論文では、解釈可能性の力を活用してパフォーマンスを向上させる、グラフの異常検出に対する新しいアプローチを提案します。
具体的には、私たちの方法は、異常をスコアリングするための基礎として機能する、グラフ ニューラル ネットワークの勾配から派生したアテンション マップを抽出します。
さらに、合成データを使用して理論分析を実行して、手法を検証し、意思決定プロセスについての洞察を得ることができます。
私たちの方法の有効性を実証するために、私たちは最先端のグラフ異常検出技術に対するアプローチを広範囲に評価しました。
結果は、ベースラインと比較して、私たちの方法の優れたパフォーマンスを一貫して示しています。

要約(オリジナル)

Detecting unusual patterns in graph data is a crucial task in data mining. However, existing methods often face challenges in consistently achieving satisfactory performance and lack interpretability, which hinders our understanding of anomaly detection decisions. In this paper, we propose a novel approach to graph anomaly detection that leverages the power of interpretability to enhance performance. Specifically, our method extracts an attention map derived from gradients of graph neural networks, which serves as a basis for scoring anomalies. In addition, we conduct theoretical analysis using synthetic data to validate our method and gain insights into its decision-making process. To demonstrate the effectiveness of our method, we extensively evaluate our approach against state-of-the-art graph anomaly detection techniques. The results consistently demonstrate the superior performance of our method compared to the baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google