Generation is better than Modification: Combating High Class Homophily Variance in Graph Anomaly Detection

要約

グラフベースの異常検出は、現在、グラフ ニューラル ネットワーク (GNN) の分野における重要な研究トピックです。
グラフ異常検出では、異なるクラス間の同好性分布の差が、同好性グラフおよび異好性グラフにおけるものよりも大幅に大きいことがわかりました。
この現象を定量的に説明する、クラス準同性分散と呼ばれる新しい指標を初めて導入します。
その影響を軽減するために、Homophily Edge Generation Graph Neural Network (HedGe) という名前の新しい GNN モデルを提案します。
以前の作業は通常、元の関係を枝刈り、選択、または接続することに重点を置いていたため、これらの方法を修正と呼びます。
これらの研究とは異なり、私たちの方法は、元の関係を補助として使用し、低クラス同質分散を持つ新しい関係を生成することに重点を置いています。
HedGe は、セルフ アテンション メカニズムを使用して均一隣接行列をゼロからサンプリングし、特徴空間では関連するが元のグラフでは直接接続されていないノードを活用します。
さらに、モデルによる不必要な異親和性エッジの生成を罰するために損失関数を変更します。
広範な比較実験により、HedGe が異常検出やエッジレス ノード分類を含む複数のベンチマーク データセットにわたって最高のパフォーマンスを達成したことが実証されました。
提案されたモデルは、他のグラフ分類タスクでのクラス同種分散の増加により、新しい異種性攻撃の下での堅牢性も向上します。

要約(オリジナル)

Graph-based anomaly detection is currently an important research topic in the field of graph neural networks (GNNs). We find that in graph anomaly detection, the homophily distribution differences between different classes are significantly greater than those in homophilic and heterophilic graphs. For the first time, we introduce a new metric called Class Homophily Variance, which quantitatively describes this phenomenon. To mitigate its impact, we propose a novel GNN model named Homophily Edge Generation Graph Neural Network (HedGe). Previous works typically focused on pruning, selecting or connecting on original relationships, and we refer to these methods as modifications. Different from these works, our method emphasizes generating new relationships with low class homophily variance, using the original relationships as an auxiliary. HedGe samples homophily adjacency matrices from scratch using a self-attention mechanism, and leverages nodes that are relevant in the feature space but not directly connected in the original graph. Additionally, we modify the loss function to punish the generation of unnecessary heterophilic edges by the model. Extensive comparison experiments demonstrate that HedGe achieved the best performance across multiple benchmark datasets, including anomaly detection and edgeless node classification. The proposed model also improves the robustness under the novel Heterophily Attack with increased class homophily variance on other graph classification tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google