面向图级异常检测的基于对抗精炼的 Motif-一致性反事实样本
机器学习
2024-07-19 v1 社会与信息网络
摘要
图级异常检测在诸多领域具有重要意义。为提升检测性能，反事实图已被用于学习因果关系以增强泛化能力。目前大多数研究方法直接引入扰动（如翻转边）以生成反事实图，容易改变生成样本的语义，使其偏离数据分布，导致性能不佳。为此，我们提出一种新方法——基于对抗精炼的 Motif-一致性反事实样本（MotifCAR），用于图级异常检测。该模型将一个图的结构（motif）——包含识别（类别）信息的核心子图，与另一个图的上下文子图（非 motif）组合，以生成原始反事实图。然而，生成的原始图可能存在失真，无法满足现实性、有效性、接近性与稀疏性等重要反事实属性。为此，我们提出基于生成对抗网络（GAN）的图优化器以细化原始反事实图。判别器引导生成器生成接近真实数据的图，即满足现实性；同时设计结构一致性，使生成图的 motif 保持与真实图的一致，满足有效性；此外，我们设计上下文损失与连接损失，以控制上下文子图和新增链接，满足接近性与稀疏性。最终，该模型能够生成高质量的反事实图。实验结果表明 MotifCAR 的优越性。
引用
@article{arxiv.2407.13251,
title = {Motif-Consistent Counterfactuals with Adversarial Refinement for Graph-Level Anomaly Detection},
author = {Chunjing Xiao and Shikang Pang and Wenxin Tai and Yanlong Huang and Goce Trajcevski and Fan Zhou},
journal= {arXiv preprint arXiv:2407.13251},
year = {2024}
}
备注
Accepted by KDD 2024