A Graph Encoder-Decoder Network for Unsupervised Anomaly Detection

要約

多くのグラフ ニューラル ネットワーク (GNN) の重要なコンポーネントはプーリング操作であり、重要な構造情報を維持しながらグラフのサイズを削減しようとします。
ただし、既存のグラフ プーリング戦略のほとんどは、トレーニング可能なパラメーターによって特徴付けられる GNN 層を使用して取得される割り当て行列に依存しているため、多くの場合、プーリング プロセスでの計算が大幅に複雑になり、解釈可能性が欠如します。
本稿では、異常度に基づいてノードをランク​​付けする異常スコアリング関数を学習することにより、グラフから異常なノードを検出する教師なしグラフエンコーダ・デコーダモデルを提案します。
エンコード段階では、LCPool という名前の新しいプーリング メカニズムを設計します。このメカニズムは、特徴エンコードに局所性制約付き線形コーディングを活用し、局所性正則化項を使用して最小二乗最適化問題を解くことによってクラスター割り当て行列を見つけます。
LCPool は、コーディング プロセス中に局所性制約を強制することにより、学習可能なパラメーターが不要になるように設計されており、大規模なグラフを効率的に処理でき、グラフの最も重要な構造特性を保持しながら、より粗いグラフ表現を効果的に生成できます。
デコード段階では、元のグラフの構造と節点特徴の両方を再構築するために、LCUnpool と呼ばれるアンプール操作を提案します。
私たちは、いくつかの評価指標を使用して 6 つのベンチマーク データセットに対してこの手法の実証的評価を実施しました。その結果は、最先端の異常検出アプローチよりも優れていることを示しています。

要約(オリジナル)

A key component of many graph neural networks (GNNs) is the pooling operation, which seeks to reduce the size of a graph while preserving important structural information. However, most existing graph pooling strategies rely on an assignment matrix obtained by employing a GNN layer, which is characterized by trainable parameters, often leading to significant computational complexity and a lack of interpretability in the pooling process. In this paper, we propose an unsupervised graph encoder-decoder model to detect abnormal nodes from graphs by learning an anomaly scoring function to rank nodes based on their degree of abnormality. In the encoding stage, we design a novel pooling mechanism, named LCPool, which leverages locality-constrained linear coding for feature encoding to find a cluster assignment matrix by solving a least-squares optimization problem with a locality regularization term. By enforcing locality constraints during the coding process, LCPool is designed to be free from learnable parameters, capable of efficiently handling large graphs, and can effectively generate a coarser graph representation while retaining the most significant structural characteristics of the graph. In the decoding stage, we propose an unpooling operation, called LCUnpool, to reconstruct both the structure and nodal features of the original graph. We conduct empirical evaluations of our method on six benchmark datasets using several evaluation metrics, and the results demonstrate its superiority over state-of-the-art anomaly detection approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google