GNN如何异常检测？首篇《图神经网络图异常检测》综述全面阐述GNN图异常检测方法体系

2022 年 10 月 3 日 专知

图被广泛用于复杂系统的建模，检测图中的异常是复杂系统分析中的一项重要任务。图异常是指图中的模式不符合图的属性和/或结构所期望的正常模式。近年来，图神经网络(GNNs)得到了广泛的研究，并成功地完成了节点分类、链接预测和图分类等困难的机器学习任务，这得益于在有效学习图表示中通过消息传递实现的高度表达能力。为了解决图异常检测问题，基于GNN的方法利用关于图属性(或特征)和/或结构的信息来学习对异常进行适当的评分。在这篇综述中，我们回顾了使用GNN模型检测图异常的最新进展。具体而言，我们根据图类型(即静态和动态)、异常类型(即节点、边、子图和全图)和网络架构(如图自动编码器、图卷积网络)对基于GNN的方法进行了总结。据我们所知，这次综述是第一次全面回顾基于GNN的图异常检测方法。

https://www.zhuanzhi.ai/paper/86a58a5030f04de8d6483e0e7509e14e

图形是一种有效的数据结构，可以有效地表示和提取复杂的数据模式，广泛应用于社交媒体、电子商务、生物学、学术和通信等众多领域。图中表示的数据对象是相互关联的，对象通常表示为节点，它们的关系表示为节点之间的边。图的结构指的是节点如何通过单独的边相互关联，并且可以有效地表示节点之间甚至深远的关系。此外，通过使用节点和/或边的属性来增强图的结构表示，图可以在语义上得到丰富。

异常检测是识别明显偏离通常观察到的模式的异常模式的过程。这是一项重要的任务，因为在各个领域的需求和应用不断增加。自从Grubbs等人[1]首次引入异常(或离群值)的概念以来，人们对异常检测进行了大量的研究。此后，随着近年来图挖掘技术的发展，图异常检测备受关注[2]，[3]。图异常检测的早期工作很大程度上依赖于领域知识和统计方法，其中检测异常的特征大多是手工制作的。这种手工制作的检测任务自然非常耗时和费力。此外，真实的图通常包含大量的节点和标记有大量属性的边，因此是大规模和高维的。为了克服早期工作的局限性，最近深度学习方法在从图[4]中检测异常时受到了相当多的关注。深度学习具有非线性的多层结构，可以对大规模高维数据进行检测，并从数据中提取模式，从而获得令人满意的性能，而无需手工制作特征[5]、[6]。

最近，图神经网络(GNN)通过学习图表示(例如[7]，[8])中的消息传递机制具有高度的表达能力，因此被用于高效、直观地检测图中的异常。使用GNN，从图中学习和提取异常模式，即使是那些具有高度复杂结构或属性的图，也相对简单，因为GNN本身处理的图具有属性作为输入数据[9]。最先进的图异常检测方法[7]、[10]将GNN与现有的深度学习方法相结合，其中GNN捕获图的特征，而深度学习捕获其他类型的信息(如时间)。图1给出了用GNN进行图异常检测的一个例子。假设节点(A)和(C)根据节点属性被检测到异常，节点(A)和(B)根据图拓扑被检测到异常。那么，如果同时考虑节点属性和图拓扑作为异常因素，则只检测到节点(A)异常。GNN模型使我们能够通过同时检查图拓扑和节点属性来检测这种异常。

在本综述中，我们概述了基于GNN的图异常检测方法，并主要从图的类型(即静态图和动态图)进行了综述。与其他调研相关的话题——图异常检测(一般)[2],[3],图像异常检测具体使用深度学习[11],[12],和一般的异常检测使用深度学习[13],[14],本调研旨在涉及的独特角度图使用GNN异常检测模型。鉴于GNN在图异常检测中的重要意义和正在进行的积极研究工作，我们相信，对这一特定主题的全面调研是及时的，对研究社区是有益的。图2为调研方法的时间轴。第三节中的调研是根据其他图异常检测调研[3]、[2]、[11]、[12]所使用的分类框架组织的。这一领域仍然是新的，尽管研究主题的分布似乎倾向于静态图中的节点异常，但已发表的方法覆盖了广泛的图(静态与动态、普通与属性)和异常类型(结构、节点、边、子图)。此外，在第四节中，我们分享了关于使用GNN进行图异常检测的几个有前途的机遇和挑战的观点。

基于GNN的图异常检测

A.基于GNN的静态图异常检测

静态图异常检测的大部分研究都是针对节点异常，只有少数研究是针对边缘异常和子图异常。

1) 异常节点检测:

使用GNNs检测异常节点主要在属性图中进行。每一种基于GNN的方法都从静态属性图中提取节点属性信息和结构信息，并使用一定的评分算法评估节点的异常评分。人们提出了各种基于GNN的方法来有效地从属性图中提取必要的特征。我们根据这些方法的网络架构对它们进行分类，然后简要描述每种方法背后的关键思想。根据结构信息，异常节点可进一步划分为三类:全局异常、结构异常和群体异常[12]。全局异常称为图中的偏离节点属性;结构异常在图中称为偏离的结构信息;团体异常是指同一团体中节点属性的偏差和结构信息的偏差。请注意，相当数量的基于gnn的方法是建立在用GCN或GAT实例化的图形自动编码器(GAE)框架之上的。对于静态图中的异常节点检测，我们回顾了基于GNN的GAE方法以及独立GNN方法。

2) 异常边缘检测:

异常边缘通常表示图中节点之间不同的或非典型的相互作用。在静态图中这种异常边缘检测的研究相对有限。Duan等人[48]提出了异常感知网络嵌入(AANE)，该网络为平面图设计，并使用基于gcn的GAE框架实现。该方法调整了拟合损失和“异常感知”损失，包括偏差损失和去除损失。损失函数的概率是一个优势的得分。概率较低的边更有可能是异常边。Song等人[50]提出了用于欺诈检测的基于子图的框架(SubGNN)。提取靠近目标边缘的子图并重新标记以保证实体独立性。提出的关系图同构网络(R-GIN)学习特征，用于精确的欺诈检测。Zhang等人[49]提出了一种基于竞争图神经网络(CGNN)的欺诈检测系统(eFraudCom)，用于检测电子商务平台上的欺诈行为。CGNN是一种基于gcn的GAE系统。eFraudCom系统由一个数据处理器和一个欺诈检测器组成。具体而言，在数据处理器中对有代表性的法向数据进行采样，生成包含采样的法向数据和其余数据的异构图;在欺诈检测器中，对图中的邻居进行采样，并通过CGNN检测异常边缘。

3)异常子图检测: 异常子图检测比异常节点或边缘检测更具挑战性。值得注意的一点是，异常子图中的节点和边本身可以被认为是正常的。此外，子图的结构和大小可以非常多样化。大概是由于这一挑战，文献中只有有限的研究。我们发现了一种GCN方法和一种基于gat的GAE方法。

B.基于GNN的动态图异常检测

与静态图不同，动态图的结构或属性会随时间变化，时间性是动态图的一个重要因素。最近，基于图社区、压缩、分解、距离度量和图特征[2]的概率建模，提出了各种检测随时间变化或演化的图异常的方法。针对动态图提出了几种方法，将GCN与适合于时间处理的深度学习方法相结合，如循环神经网络(RNN)、门控循环单元(GRU)和transformer。一些研究解决了在动态图的边或节点中检测异常的问题。目前还没有关于异常子图检测的研究。

专知便捷查看