Chi-Square Wavelet Graph Neural Networks for Heterogeneous Graph Anomaly Detection
Created by
Haebom
저자
Xiping Li, Xiangyu Dong, Xingyi Zhang, Kun Xie, Yuanhao Feng, Bo Wang, Guilin Li, Wuxiong Zeng, Xiujun Shu, Sibo Wang
개요
본 논문은 이종 네트워크에서의 그래프 이상 탐지(GAD) 문제를 해결하기 위해 새로운 스펙트럼 기반 GNN 프레임워크인 ChiGAD를 제안합니다. 기존 GNN 방법들이 노드와 에지의 이질성을 고려하지 못하는 한계를 극복하기 위해, ChiGAD는 다양한 메타 경로에서의 이상 신호와 풍부한 의미를 포착하고(C1), HIN 차원 정렬에서 고주파수 콘텐츠를 유지하며(C2), 클래스 불균형 문제를 가진 어려운 이상 샘플로부터 효과적으로 학습하는(C3) 세 가지 핵심 문제를 해결합니다. 이는 소결파의 다양한 영역에서의 효과에 착안하여 새로운 카이제곱 필터를 기반으로 하는 다중 그래프 카이제곱 필터, 상호 작용 메타 그래프 합성곱, 기여도 고려 교차 엔트로피 손실 세 가지 구성 요소로 이루어져 있습니다. 실험 결과, ChiGAD는 여러 지표에서 최첨단 모델들을 능가하며, 그 동종 변형인 ChiGNN 또한 우수한 성능을 보였습니다.
시사점, 한계점
•
시사점:
◦
이종 네트워크에서의 그래프 이상 탐지 문제에 대한 효과적인 해결책 제시.
◦
카이제곱 필터 기반의 새로운 스펙트럼 GNN 프레임워크 ChiGAD의 우수한 성능 검증.
◦
다양한 메타 경로, 고주파수 정보 유지, 클래스 불균형 문제 해결을 위한 효과적인 전략 제시.
