Revisiting Graph Contrastive Learning for Anomaly Detection

要約

タイトル：異常検知のためのグラフ対比学習の再検討

要約：
– グラフニューラルネットワーク（GNN）と対比学習を組み合わせた異常検知の方法が注目されている
– 既存のグラフ対比異常検知（GCAD）手法は、主にグラフ拡張とマルチスケール対比モジュールを通じた検出能力の向上に焦点を当てている
– しかし、これらのモジュールがどのように機能するかの根本的なメカニズムは十分に探索されていない
– 著者らは、マルチスケールとグラフ拡張のメカニズムに入り込み、マルチスケール対比モジュールは表現の向上に役立たず、一方、マルチGNNモジュールが貢献していることを観察した
– 従来の研究では、マルチGNNの恩恵をマルチスケールモジュールに帰属する傾向があったが、著者らはこの誤解に入り込み、既存のGCAD手法を対比的な自己教育の観点で統合したMAGフレームワークを提案した
– MAGフレームワークからは、L-MAGとM-MAGの2つの変種を抽出し、L-MAGは低い計算コストでCoraとPubmed上で最先端を超える軽量なインスタンスであることが示された
– M-MAGは、マルチGNNモジュールを搭載した変種で、検出性能をさらに向上させた
– 著者らは既存のGCAD手法の欠点を明らかにし、マルチGNNとグラフ拡張モジュールの可能性を示した
– コードは https://github.com/liuyishoua/MAG-Framework で公開されている

要約(オリジナル)

Combining Graph neural networks (GNNs) with contrastive learning for anomaly detection has drawn rising attention recently. Existing graph contrastive anomaly detection (GCAD) methods have primarily focused on improving detection capability through graph augmentation and multi-scale contrast modules. However, the underlying mechanisms of how these modules work have not been fully explored. We dive into the multi-scale and graph augmentation mechanism and observed that multi-scale contrast modules do not enhance the expression, while the multi-GNN modules are the hidden contributors. Previous studies have tended to attribute the benefits brought by multi-GNN to the multi-scale modules. In the paper, we delve into the misconception and propose Multi-GNN and Augmented Graph contrastive framework MAG, which unified the existing GCAD methods in the contrastive self-supervised perspective. We extracted two variants from the MAG framework, L-MAG and M-MAG. The L-MAG is the lightweight instance of the MAG, which outperform the state-of-the-art on Cora and Pubmed with the low computational cost. The variant M-MAG equipped with multi-GNN modules further improve the detection performance. Our study sheds light on the drawback of the existing GCAD methods and demonstrates the potential of multi-GNN and graph augmentation modules. Our code is available at https://github.com/liuyishoua/MAG-Framework.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI