用于图级异常检测的瑞利商图神经网络
机器学习
2024-03-29 v4 人工智能
摘要
图级异常检测因在癌症诊断与酶预测等诸多领域的应用而备受关注。然而，现有方法未能捕捉图异常的谱性质，导致框架设计缺乏可解释性且性能不佳。本文中，我们重新考察异常图与正常图之间的谱差异。我们的主要观察表明，这两类图的累积谱能量存在显著差距。此外，我们证明图信号的累积谱能量可由其瑞利商表示，表明瑞利商是图异常性质背后的驱动因素。受此启发，我们提出瑞利商图神经网络（RQGNN），这是首个探索异常图固有谱特征以用于图级异常检测的谱图神经网络（GNN）。具体而言，我们引入了一个由两部分组成的新框架：瑞利商学习组件（RQL）与带 RQ 池化的切比雪夫小波 GNN（CWGNN-RQ）。RQL 显式捕捉图的瑞利商，而 CWGNN-RQ 隐式探索图的谱空间。在 10 个真实世界数据集上的大量实验表明，RQGNN 在 Macro-F1 分数上优于最佳对手 6.74%，在 AUC 上优于 1.44%，证明了我们框架的有效性。我们的代码见 https://github.com/xydong127/RQGNN。
引用
@article{arxiv.2310.02861,
title = {Rayleigh Quotient Graph Neural Networks for Graph-level Anomaly Detection},
author = {Xiangyu Dong and Xingyi Zhang and Sibo Wang},
journal= {arXiv preprint arXiv:2310.02861},
year = {2024}
}