본 논문은 이종 그래프에서 효율적인 이상 탐지를 위한 새로운 모델인 EAGLE(Efficient Anomaly detection model on heterogeneous Graphs via contrastive LEarning)을 제안합니다. EAGLE은 국소 맥락과의 거리 측면에서 비정상 노드와 정상 노드를 대조 학습하여 효율성을 높입니다. 메타 경로 수준에서 인스턴스 쌍을 샘플링하고, 비지도 방식으로 정보가 풍부한 노드 임베딩을 학습하는 그래프 오토인코더 기반 모델을 적용합니다. 학습된 임베딩은 판별자와 결합되어 노드의 이상 점수를 예측합니다. 실험 결과, EAGLE은 세 가지 이종 네트워크 데이터셋에서 최첨단 방법들을 능가하는 성능을 보였습니다.
