基于属性图的社区感知图异常检测

《Information Sciences》：Community-aware graph anomaly detection on attributed graphs

　　

•我们提出了CaGAD，一种基于社区的图自编码器，用于异常检测。•基于社区感知的结构编码器能够捕获局部结构异质性。•多层次特征融合机制整合了结构信息和属性信息。•CaGAD在ACM数据集上比最强基线方法提高了4.17%。

**引言**

图异常检测是图机器学习中的重要任务，旨在识别图中异常或非典型的模式[1]。近年来，由于图结构数据的普遍存在性，图异常检测受到了越来越多的关注。在此背景下，带属性图表示由节点通过边连接组成的集合，并拥有丰富的属性信息，可用于建模各种真实世界系统，如在线社交网络、交通网络、通信网络和生物网络[2]。图异常检测在各个领域有众多实际应用，包括网络安全[3]、[4]、欺诈检测[5]、推荐系统[6]和社交网络分析[7]，其中发现异常或意外模式对于决策和解决问题至关重要。

然而，由于图异常类型的多样性，在带属性图上检测图异常具有挑战性。带属性图通常包含复杂的连接信息，表示节点之间的复杂关系，同时还拥有丰富的属性信息。这意味着异常可能表现在结构空间和属性空间中[8]。这些类型的异常可以在图1中说明。在带属性图中，节点A和C被识别为属性异常，这可能表明它们的某些属性值与图中其他节点的属性值存在显著差异。而节点A和B被视为结构异常，因为它们的拓扑连接模式具有显著特征，可以从它们与相邻社区的联系关系中进行观察。因此，图结构和节点属性都被认为是图异常检测的贡献因素。

此外，当考虑异常图节点时，图异常检测任务面临两个主要挑战：异常样本稀缺和类别不平衡，这使得许多监督方法不再适用。近年来，为解决上述问题，研究人员从浅层学习到深度学习提出了许多有效方法[8]。基于浅层学习的图异常检测方法通常基于图结构的特征或特性来区分正常节点和异常节点。AMEN [9]关注基于图内局部连接模式识别异常实体。Radar [10]利用线性回归函数对拓扑结构与节点属性之间的关系进行建模。ANOMALOUS [11]同时建模图结构和节点属性以捕获潜在模式并检测异常。然而，这些浅层学习方法主要基于线性或简单非线性变换，主要依赖随机游走、矩阵分解和图嵌入等技术将节点映射到低维向量空间。尽管如此，它们局限于捕获输入特征之间的浅层关系，无法有效地对节点之间复杂的高阶语义交互进行建模。

随着图表示学习的快速发展，研究人员提出了许多基于图神经网络（GNN）的方法来求解异常检测问题。推动这一趋势的原因是GNN能够通过多层非线性组合和独特的消息传递机制有效地模拟节点之间的高阶交互。作为开创性工作，DOMINANT [12]采用自编码器框架进行无监督异常检测，利用从图结构和节点属性获得的重构误差来计算异常分数。异常节点通常具有比正常节点显著更高的重构误差。包括ResGCN [13]、SpecAE [14]、AEGIS [15]和ComGA [16]在内的许多后续工作进一步扩展了这一研究。此外，CoLA [17]采用实例采样从图数据中挖掘局部信息，随后应用对比学习进行节点表示学习，其中异常根据对比对的预测分数进行排序。最近，许多改进方法如SL-GAD [18]、ANEMONE [19]和GRADATE [20]被提出。尽管基于GNN的方法在图异常检测方面取得了显著的性能提升，但通常存在一个关键局限性：节点表示的过度平滑问题。具体来说，随着GNN通过消息传递机制聚合邻域信息，目标节点及其邻居的表示趋于过度相似，从而降低了其判别能力。此外，大多数现有方法未能明确纳入社区结构，阻碍了它们捕获局部社区级信息的能力。这一缺陷进一步损害了具有区分力的节点嵌入的生成，并最终降低异常检测性能。

为解决上述问题，我们提出了CaGAD，一种基于社区感知的图异常检测方法。CaGAD通过逐层特征融合机制有效地将基于社区感知的结构编码器与属性编码器整合在一起，以捕获更具判别力的节点表示。为缓解GNN固有的过度平滑问题，我们引入了基于社区感知的随机游走策略，该策略在不依赖跨层重复邻域聚合的情况下，捕获局部和社区级结构特征。此外，我们设计了带自监督机制的多层次特征融合，整合结构和属性信息，促进丰富的跨模态交互并增强节点表示的表现力。最后，融合后的节点表示用于重构带属性图，并通过重构误差识别异常节点。与ComGA [16]仅依赖模块度矩阵来识别结构差异而无法捕获结构异常不同，CaGAD通过在结构编码器中引入定制的社区内随机游走策略克服了这一局限。该策略能够捕获社区级表示，同时保留局部邻域关系和社区特定特征。我们的主要贡献总结如下：•我们提出了一种基于图自编码器的社区感知图异常检测框架，该框架利用社区引导的结构建模来捕获超出常规结构-属性融合之外的长程结构依赖关系。•我们设计了一个带有自定义随机游走策略的社区感知结构编码器来学习社区级节点表示，并进一步引入了逐层特征融合机制以有效整合结构和属性信息。•在六个真实世界数据集上的大量实验证明了CaGAD的有效性和相比最先进图异常检测方法的优越性能。

本文后续章节结构如下。在第2节中，我们回顾了相关工作。第3节阐述了带属性网络上图异常检测的概念和问题。我们在第4节中呈现了所提出的方法。第5节评估并分析了在多个数据集上的实验结果，第6节给出本文的结论。

**相关工作节选**

本文关注带属性图上的图异常检测问题，涉及图表示学习和异常检测。在本节中，我们首先介绍图表示学习的相关工作，然后回顾图异常检测的主要方法。值得注意的是，我们的研究仅关注静态图。尽管近期的一些方法处理动态图的异常检测，但它们通常依赖时间序列和演变。

**问题定义**

在本节中，我们首先定义本文中使用的相关符号，如表1所述。随后，我们介绍基本概念并进一步表述本文要解决的问题。

**定义1 带属性图**

带属性图可表示为G=(A, X)，其中A∈R^{n×n}是一个二进制邻接矩阵，表示结构信息，X∈R^{n×d}是属性矩阵，表示节点属性信息。如果节点之间存在连接，则A_{ij}=1，否则A_{ij}=0。我们用V={v...

**方法论**

在本节中，我们介绍所提出的异常检测框架CaGAD。如图2所示，我们的模型属于图自编码器架构，由四个关键组件组成：结构编码器、属性编码器、多层次特征融合和异常评分模块。CaGAD首先通过结构编码器捕获结构特征，学习图节点的社区感知节点表示。此外，采用属性编码器来映射节点...

**实验**

在本节中，我们进行了一系列实验以验证所提出的CaGAD框架的有效性和优越性。首先，我们介绍了实验中使用的数据集，然后介绍了基线方法和实验设置的细节。此外，我们以比较的方式展示了所有方法的总体性能评估。最后，通过消融实验验证了所提模型的有效性，并讨论了超参数敏感性。

**结论**

在本工作中，我们提出了一种用于图异常检测的社区感知框架CaGAD。它利用图自编码器框架，策略性地引入定制的社区感知结构编码模块，以有效捕获社区结构内节点的异质性。这一创新增强了我们模型在复杂网络结构中识别异常模式的能力。此外，我们专门设计的多层次特征融合促进了深层的...

**CRediT作者贡献声明**

Shuaiming Lai：初稿撰写、软件、方法论。Xiaofeng Wang：审稿与编辑、方法论。Yuanyuan Qi：审稿与编辑。Yuntao Chen：验证、调查。Shuailei Zhu：验证、构思。Tianxiang Lv：软件、数据管理。Tao Xie：调查、形式化分析。Wei Chen：监督、资源。Daying Quan：监督、资源、项目管理。

**利益冲突声明**

作者声明不存在可能影响本文工作的已知的竞争性经济利益或个人关系。

**致谢**

本工作得到浙江省"领雁"研发计划（资助号2024C01107）的支持。作者感谢匿名审稿人提供的建设性意见和建议，帮助提高了论文质量。

Shuaiming Lai | Xiaofeng Wang | Yuanyuan Qi | Yuntao Chen | Shuailei Zhu | Tianxiang Lv | Tao Xie | Wei Chen | Daying Quan