Graph Fairing Convolutional Networks for Anomaly Detection

要約

グラフの畳み込みは、グラフ構造データ上の多くのディープ ニューラル ネットワークの基本的な構成要素です。
このペーパーでは、半教師あり異常検出のためのスキップ接続を備えた、シンプルでありながら非常に効果的なグラフ畳み込みネットワークを紹介します。
私たちのモデルで提案されている層ごとの伝播ルールは、理論的にはジオメトリ処理における暗黙的フェアリングの概念によって動機づけられており、直近のノードの隣接ノードからの情報を集約するためのグラフ畳み込みモジュールと、層ごとの近傍表現を結合するためのスキップ接続モジュールで構成されています。
この伝播規則は、ヤコビ法による陰的なフェアリング方程式の反復解から導出されます。
ネットワークの層間のスキップ接続を通じて遠くのグラフ ノードから情報を取得することに加えて、私たちのアプローチは、識別的なノード表現を学習するためにグラフ構造とノードの特徴の両方を利用します。
これらのスキップ接続は、私たちが提案するネットワーク アーキテクチャに設計によって統合されています。
私たちのモデルの有効性は、5 つのベンチマーク データセットでの広範な実験を通じて実証されており、強力なベースライン手法と比較して、より優れた、または同等の異常検出結果が得られています。
また、アブレーション研究を通じて、スキップ接続がモデルのパフォーマンスの向上に役立つことを実証します。

要約(オリジナル)

Graph convolution is a fundamental building block for many deep neural networks on graph-structured data. In this paper, we introduce a simple, yet very effective graph convolutional network with skip connections for semi-supervised anomaly detection. The proposed layerwise propagation rule of our model is theoretically motivated by the concept of implicit fairing in geometry processing, and comprises a graph convolution module for aggregating information from immediate node neighbors and a skip connection module for combining layer-wise neighborhood representations. This propagation rule is derived from the iterative solution of the implicit fairing equation via the Jacobi method. In addition to capturing information from distant graph nodes through skip connections between the network’s layers, our approach exploits both the graph structure and node features for learning discriminative node representations. These skip connections are integrated by design in our proposed network architecture. The effectiveness of our model is demonstrated through extensive experiments on five benchmark datasets, achieving better or comparable anomaly detection results against strong baseline methods. We also demonstrate through an ablation study that skip connection helps improve the model performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google