RayQ-GAD:基于瑞利商(Rayleigh Quotient)的图结构剪枝方法,用于异常检测

《Knowledge-Based Systems》:RayQ-GAD: Rayleigh Quotient-Driven Graph Pruning for anomaly detection

【字体: 大 中 小 】 时间:2026年04月29日 来源:Knowledge-Based Systems 7.6

编辑推荐:

  吴春琪|王浩森|史成龙|郑鹏飞|唐攀 中国江苏省南京市东南大学网络科学与工程学院 **摘要** 现实世界图中存在的异质性对异常检测构成了重大挑战,因为图神经网络(GNNs)的信息传递机制会导致异常信号被正常邻居淹没。尽管边修剪已成为缓解这种异质性引起的信号稀释的一种

  吴春琪|王浩森|史成龙|郑鹏飞|唐攀
中国江苏省南京市东南大学网络科学与工程学院

**摘要**
现实世界图中存在的异质性对异常检测构成了重大挑战,因为图神经网络(GNNs)的信息传递机制会导致异常信号被正常邻居淹没。尽管边修剪已成为缓解这种异质性引起的信号稀释的一种有前景的策略,但现有的修剪方法往往导致边消除不完整或有偏,从而限制了其有效性。在本文中,我们通过进行实证研究解决了这些限制,该研究证实了图的瑞利商与其异质性水平之间存在强烈的正相关关系。基于这一发现,我们提出了基于瑞利商的图修剪异常检测方法(RayQ-GAD)。我们的框架首先采样种子节点,并在其局部子图中迭代修剪边,以最小化瑞利商,从而实现更同质的配置,从而更好地保留异常信号。此外,我们引入了一种自适应表示增强机制,该机制结合了伪标签表示和社区结构信息,以提高模型的判别能力。在多个来自不同领域的基准数据集上的广泛实验表明,RayQ-GAD的性能优于基线方法,达到了最先进的水平。

**引言**
图异常检测(GAD)专注于识别图中与大多数元素不同的小部分元素(例如节点、边和图)。GAD已成为提高复杂网络系统安全性、鲁棒性和可信度的关键组成部分,例如假新闻识别[1]、[2]、金融欺诈检测[3]和网络攻击监控[4]。利用图神经网络(GNNs)[5]、[6]、[7]在联合建模节点特征和拓扑结构方面的强大能力,基于GNN的技术已成为当代GAD研究的主要范式。
标准GNN的有效性在很大程度上依赖于同质性假设,即相邻节点通常属于同一类别[8]、[9]、[10]。然而,GAD中的图通常显示出异质性结构——例如,欺诈者通过频繁与正常用户互动来伪装自己。这种现象尤其有害,因为异常节点往往会失去其独特特征,使其难以被检测到。如图1(a)所示,由于正常节点的主导地位,一个异常节点(例如节点3)可能会经历严重的信号稀释。一种直观的缓解方法是去除异质性边[11]、[12]。如图1(b)所示,修剪这些边可以将异常节点与正常邻居隔离,保留异常信号并防止其被抑制。许多现有方法通过图重构来消除异质性边。GAD-NR[13]使用自动编码器重建节点的局部邻域,包括自身和邻居属性,试图生成更干净的图。然而,这种重构经常引入虚假或冗余的边,从而降低图的质量。其他策略应用重采样或重新加权技术。例如,PC-GNN[14]使用双重采样器生成标签平衡的子图,而H2-FDetector[15]根据学习到的影响权重聚合节点。尽管取得了一些成功,但当前的边去除策略仍然受到不完整或不准确修剪的限制,通常无法完全消除有害的异质性连接或注入扰动。
先前的研究[16]表明,异质性边的比例与图的谱能量分布呈正相关。最近的研究[17]、[18]发现了谱能量分布中的“右移”现象,即能量从低频转移到高频。这种累积的谱能量可以通过瑞利商(即xTLxxTx,其中L表示图拉普拉斯矩阵,节点信号为x)来量化。这一观察提出了一个疑问:瑞利商是否可以衡量图的异质性。为了评估这一假设,进行了一系列实验来研究图异质性、瑞利商和GAD模型性能之间的关系。实验结果(图2)揭示了两个关键结果:(1)图异质性与瑞利商之间存在强烈的正相关;(2)随着异质性的降低,模型性能提高,表明减少异质性有助于更有效的异常检测。基于这些发现,所提出的方法旨在通过最小化瑞利商来降低图的异质性,从而提高模型检测异常的能力。

根据上述分析,本研究提出了一个名为基于瑞利商的图修剪异常检测(RayQ-GAD)的新框架。该框架的第一个组成部分是一种基于瑞利商的图修剪策略,通过动态采样种子节点并逐渐扩展它们的邻域,在迭代过程中选择性地保留有助于降低瑞利商的边连接。第二个组成部分引入了一种伪标签引导的表示增强机制,以优化节点之间的信息交互。具体来说,通过用相应的簇表示丰富节点嵌入来生成伪标签,然后将这些伪标签明确集成到节点表示中,以提高正常节点和异常节点之间的区分能力。在六个基准GAD数据集上进行了广泛的实验,以评估所提模型的有效性。实验结果表明,RayQ-GAD始终表现出尖端的性能,优于所有基线方法。同时,我们还通过消融实验和其他实验证明了我们各组件的有效性。本研究的主要贡献总结如下:
•我们提出了RayQ-GAD,这是一种基于瑞利商的框架,利用瑞利商作为异常感知度量来有效抑制异质性边,从而通过更具区分性的图结构提高模型性能。
•我们设计了一种自适应的伪标签引导表示增强机制,通过结合簇中心信息动态生成伪标签,从而增强节点的判别能力。
•我们在6个GAD基准数据集上进行了广泛的实验。结果表明,RayQ-GAD的性能优于15种最先进的方法。

**本文的其余部分结构如下。第2节回顾了图异常检测领域的相关工作。第3节介绍了与所提方法相关的初步知识和基础概念。第4节详细介绍了RayQ-GAD框架的设计动机和实现。第5节进行了广泛的实验评估,以评估我们提出方法的有效性和鲁棒性。最后,第6节总结了结果和未来的研究方向。**

**相关工作**
图异常检测的主要目的是检测罕见的节点或结构。Radar[19]提出了一种基于残差分析的学习框架,用于检测属性网络中的各种异常。随着图神经网络[5]、[20]的发展,GAD近年来受到了更多的研究关注。DOMINANT[21]结合了GCN和自动编码器来联合建模拓扑结构和节点属性,而AnomalyDAE[22]是一种具有注意力增强的双重自动编码器方法。

**初步知识**
符号说明。设G={V,E,X}表示一个无向图,其中V={v1,v2,…,vN}是节点集(N=|V|个节点),E?V×V表示边集,X∈Rn×d是具有d维特征的节点特征矩阵。图结构可以用二进制邻接矩阵A∈{0,1}N×N表示,其中每个项Aij满足:Aij=1如果(vi,vj)∈E,否则为0。
图拉普拉斯矩阵L∈RN×N定义为:L=D?A,其中D=diag(d1,…,dN)是度矩阵,对角线元素di=∑j=1NAij。

**模型概述**
我们框架的总体架构如图3所示。该过程从我们提出的图修剪模块开始,该模块应用于输入图以选择性地消除异质性边。这一关键的初始步骤通过减少虚假连接来净化图结构,从而有效减轻消息传递过程中的错误和噪声传播风险。同时,为了学习更精细和更具区分性的节点表示,我们引入了一种新的...

**实验**
在本节中,我们对RayQ-GAD进行了全面的评估,包括在四个基准图异常检测数据集上的比较实验、消融研究和可视化。我们的实验旨在回答以下问题:
•Q1:RayQ-GAD是否比最先进的方法表现出更好的异常检测性能?
•Q2:我们的基于瑞利商的图修剪和伪标签引导的表示增强模块是否有助于异常检测?
•Q3:...

**讨论**
RayQ-GAD是为监督式GAD场景设计的,在训练期间有一小部分标记的异常数据可用。这一假设在许多现实世界的异常检测场景中是现实的,其中可以通过领域专业知识、手动验证或历史事件记录识别出有限数量的异常实例。这些标签的可用性使模型能够学习出更具有区分性的表示,以区分异常节点和正常节点。

**作者贡献声明**
吴春琪:撰写——审阅与编辑,撰写——原始草稿,方法论。
王浩森:撰写——审阅与编辑,方法论。
史成龙:撰写——审阅与编辑。
郑鹏飞:撰写——审阅与编辑。
唐攀:资金获取。

**利益冲突声明**
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号