본 논문은 기존의 비지도 학습 기반 그래프 이상 탐지(GAD) 방법들이 재구축에 초점을 맞춰 중요한 차별적 정보를 놓치는 문제점을 해결하기 위해, 확산 기반 그래프 이상 탐지기(DiffGAD)를 제안한다. DiffGAD는 차별적 정보를 활용하여 잠재 공간 학습을 개선하는 새로운 방법을 제시하며, 확산 샘플링을 통해 잠재 공간에 차별적 정보를 주입하고 다양한 스케일에서 유용한 정보를 유지하는 콘텐츠 보존 메커니즘을 도입하여 시간 및 공간 복잡도를 낮추면서 이상 탐지 성능을 향상시킨다. 실제 대규모 데이터셋 6개에 대한 종합적인 평가 결과, DiffGAD의 우수한 성능을 확인하였다.
시사점, 한계점
•
시사점:
◦
기존 GAD 방법의 한계점인 차별적 정보 손실 문제를 효과적으로 해결하는 새로운 접근 방식 제시.
