Rayleigh Quotient Graph Neural Networks for Graph-level Anomaly Detection

要約

グラフレベルの異常検出は、がん診断や酵素予測など、さまざまな分野で多くの用途が見出され、大きな注目を集めています。
しかし、既存の手法ではグラフの異常の根底にある特性を捉えることができず、説明のつかないフレームワーク設計と満足のいくパフォーマンスが得られません。
この論文では、一歩下がって、異常なグラフと正常なグラフの間のスペクトルの違いを再調査します。
私たちの主な観察では、これら 2 つのクラス間の蓄積されたスペクトル エネルギーに大きな差異があることが示されています。
さらに、グラフ信号の累積スペクトル エネルギーがレイリー商で表現できることを証明し、レイリー商がグラフの異常な特性の背後にある駆動要因であることを示しています。
これを動機として、私たちは、グラフレベルの異常検出のための初のスペクトル GNN であるレイリー商グラフ ニューラル ネットワーク (RQGNN) を提案し、異常グラフに固有のスペクトル特徴を探索するための新しい視点を提供します。
具体的には、レイリー商学習コンポーネント (RQL) と RQ プーリングを備えたチェビシェフ ウェーブレット GNN (CWGNN-RQ) の 2 つのコンポーネントで構成される新しいフレームワークを導入します。
RQL はグラフのレイリー商を明示的に取得し、CWGNN-RQ はグラフのスペクトル空間を暗黙的に探索します。
10 個の実世界のデータセットに対する広範な実験の結果、RQGNN がマクロ F1 スコアで 6.74%、AUC で 1.44% も最良のライバルを上回り、フレームワークの有効性が実証されました。

要約(オリジナル)

Graph-level anomaly detection has gained significant attention as it finds many applications in various domains, such as cancer diagnosis and enzyme prediction. However, existing methods fail to capture the underlying properties of graph anomalies, resulting in unexplainable framework design and unsatisfying performance. In this paper, we take a step back and re-investigate the spectral differences between anomalous and normal graphs. Our main observation shows a significant disparity in the accumulated spectral energy between these two classes. Moreover, we prove that the accumulated spectral energy of the graph signal can be represented by its Rayleigh Quotient, indicating that the Rayleigh Quotient is a driving factor behind the anomalous properties of graphs. Motivated by this, we propose Rayleigh Quotient Graph Neural Network (RQGNN), the first spectral GNN for graph-level anomaly detection, providing a new perspective on exploring the inherent spectral features of anomalous graphs. Specifically, we introduce a novel framework that consists of two components: the Rayleigh Quotient learning component (RQL) and Chebyshev Wavelet GNN with RQ-pooling (CWGNN-RQ). RQL explicitly captures the Rayleigh Quotient of graphs and CWGNN-RQ implicitly explores the spectral space of graphs. Extensive experiments on 10 real-world datasets show that RQGNN outperforms the best rival by 6.74% in Macro-F1 score and 1.44% in AUC, demonstrating the effectiveness of our framework.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google