본 논문은 그래프 이상 탐지(GAD)를 위한 새로운 프레임워크인 다중 초구 이종친화적 그래프 학습(MHetGL)을 제안합니다. 기존 GNN 기반 접근 방식이 동형성 원칙에 의존하여 많은 정상 노드와 연결된 이상치에 대한 차별적인 임베딩을 학습하는 데 실패하고, 전역적 관점에서만 이상치를 식별하여 지역적 그래프 맥락에 따른 다양한 이상 패턴을 간과하는 문제점을 해결하기 위해 제시되었습니다. MHetGL은 이종친화적 그래프 인코딩(HGE) 모듈을 통해 잠재적 이상치의 이웃을 정제하고 확장하여 구별 가능한 표현을 학습하고, 다중 초구 학습(MHL) 모듈을 통해 전역 및 지역적 관점 모두의 중요한 패턴을 통합하여 맥락 의존적 이상치에 대한 탐지 성능을 향상시킵니다. 10개의 실제 데이터셋에 대한 실험 결과, MHetGL이 14개의 기준 모델보다 우수한 성능을 보임을 확인했습니다. 코드는 깃허브에서 공개적으로 이용 가능합니다.
