面向自解释图级异常检测
机器学习
2023-10-26 v1
摘要
图级异常检测（GLAD）旨在识别集合中相较于多数图表现出显著相异性的图。然而，现有工作主要聚焦于评估图级异常性，却未能为预测提供有意义的解释，这在很大程度上限制了其可靠性与应用范围。本文研究一个新的挑战性问题——可解释 GLAD，其学习目标是预测每个图样本的异常性并给出相应解释，即导致预测的关键子图。为应对此挑战，我们提出一种自解释图异常检测模型（简称 SIGNET），可同时检测异常图并生成信息性解释。具体而言，我们首先引入多视图子图信息瓶颈（MSIB）框架，作为自解释 GLAD 方法的设计基础。借此，SIGNET 不仅能基于跨视图互信息度量各图的异常性，还能通过从输入图及其对偶超图中以自监督方式提取瓶颈子图，提供信息性图理据。在 16 个数据集上的大量实验证明了 SIGNET 的异常检测能力与自解释性。
引用
@article{arxiv.2310.16520,
title = {Towards Self-Interpretable Graph-Level Anomaly Detection},
author = {Yixin Liu and Kaize Ding and Qinghua Lu and Fuyi Li and Leo Yu Zhang and Shirui Pan},
journal= {arXiv preprint arXiv:2310.16520},
year = {2023}
}
备注
23 pages; accepted to NeurIPS 2023