【NeurIPS2023】朝向自解释的图级异常检测

图级异常检测 (GLAD) 旨在识别与集合中的大多数相比呈现显著差异的图。然而，当前的研究主要集中在评估图级的异常性，而未能为预测提供有意义的解释，这在很大程度上限制了它们的可靠性和应用范围。在本文中，我们研究了一个新的具有挑战性的问题，即可解释的GLAD，其学习目标是预测每个图样本的异常性及相应的解释，即导致预测的关键子图。为了解决这一具有挑战性的问题，我们提出了一个自解释的图异常检测模型（简称SIGNET），它可以同时检测异常图并生成有益的解释。具体地说，我们首先介绍多视图子图信息瓶颈 (MSIB) 框架，作为我们自解释GLAD方法的设计基础。这样，SIGNET不仅能够基于交叉视图互信息测量每个图的异常性，而且还能够通过从输入图和其双重超图中提取瓶颈子图以自我监督的方式提供有益的图理由。在16个数据集上的广泛实验展示了SIGNET的异常检测能力和自解释性。