重新思考基于重构的图级异常检测：局限性与简单补救方法
机器学习
2024-10-29 v1 社会与信息网络
摘要
图自编码器旨在准确重构给定的图以学习其表示。图自编码器的一个显著应用是图级异常检测（GLAD），其目标是识别出与大多数图群体相比具有异常拓扑结构和/或节点特征的图。用于 GLAD 的图自编码器将具有高平均重构误差（即所有节点对和/或节点的误差平均值）的图视为异常。即，这些方法基于一个假设：它们能更好地重构具有与大多数图相似特征的图。然而，我们报告了非平凡的反例，我们称之为重构翻转（reconstruction flip）现象，并强调了现有基于图自编码器的 GLAD 方法的局限性。具体而言，我们从经验和理论上研究了该假设何时成立以及何时失效。通过我们的分析，我们进一步指出，虽然给定图的重构误差是 GLAD 的有效特征，但利用重构误差的多面摘要（而不仅仅是均值）可以进一步增强特征。因此，我们提出了一种新颖且简单的 GLAD 方法，名为 MUSE。MUSE 的关键创新在于将重构误差的多面摘要作为 GLAD 的图特征。这种出奇简单的方法在 GLAD 中取得了 SOTA 性能，在 10 个数据集上的 14 种方法中总体表现最佳。
引用
@article{arxiv.2410.20366,
title = {Rethinking Reconstruction-based Graph-Level Anomaly Detection: Limitations and a Simple Remedy},
author = {Sunwoo Kim and Soo Yong Lee and Fanchen Bu and Shinhwan Kang and Kyungho Kim and Jaemin Yoo and Kijung Shin},
journal= {arXiv preprint arXiv:2410.20366},
year = {2024}
}
备注
Published as a conference paper at NeurIPS 2024