关于使用分类数据集评估图级异常检测：奇特现象与新见解
机器学习
2021-05-20 v3 机器学习
摘要
异常挖掘领域常将分类数据集改用于评估各类检测模型。为此，常使用二分类数据集，其中一类的样本被指定为内点样本，另一类被大幅下采样以创建真值异常样本。图级异常检测（GLOD）很少被研究，但具有许多潜在有影响力的现实应用。本研究中，我们指出了将图分类数据集改用于 GLOD 的一个引人入胜的问题。我们发现，模型的 ROC-AUC 性能会根据哪一类被下采样而发生显著变化（从高变为极低，甚至劣于随机）。有趣的是，这两类变体的 ROC-AUC 之和约为 1，且对于某类基于传播的异常检测模型，其性能差距随传播次数增加而放大。我们仔细研究了基于传播的模型所产生的图嵌入空间，发现两个驱动因素：（1）类内密度差异，被传播放大；（2）跨类的支撑重叠（嵌入混合）。我们还研究了其他图嵌入方法与下游异常检测器，发现这一奇特的性能翻转问题仍广泛存在，但哪个下采样版本取得更高性能可能不同。对全面结果的深思分析进一步深化了我们对所述问题的理解。
引用
@article{arxiv.2012.12931,
title = {On Using Classification Datasets to Evaluate Graph-Level Outlier Detection: Peculiar Observations and New Insights},
author = {Lingxiao Zhao and Leman Akoglu},
journal= {arXiv preprint arXiv:2012.12931},
year = {2021}
}
备注
extensive revision