基于双视图图表示学习的图级异常检测方法

计算机科学 信息科学 人工智能
图级异常检测 图变换器 图神经网络 无监督图表示学习

基于双视图图-图表示学习的图级异常检测研究

学术背景

在当今数据驱动的世界中，图（Graph）作为一种强大的数据结构，被广泛应用于社交网络分析、金融欺诈检测和生物信息学等领域。图能够有效地表示复杂的关系数据，例如社交网络中的用户关系、金融交易中的资金流动以及化学分子中的原子和化学键关系。然而，随着图数据的广泛应用，如何从大量图数据中检测出异常的图样本（Graph-Level Anomaly Detection, GLAD）成为了一个重要的研究问题。

现有的GLAD方法通常依赖于图神经网络（Graph Neural Networks, GNNs）来提取图级表示，并基于这些表示进行异常检测。然而，GNNs的局限性在于其感受野（receptive field）有限，可能无法捕捉到图中潜在的异常信息。此外，现有方法往往忽略了图之间的交互关系，导致无法充分挖掘图间的异常模式。为了解决这些问题，本文提出了一种新颖的双视图图-图表示学习网络（Dual-View Graph-of-Graph Representation Learning Network），结合图变换器（Graph Transformer）技术，旨在从图内（intra-graph）和图间（inter-graph）两个视角全面探索图数据中的异常信息。

论文来源

本论文由来自中国西北师范大学计算机科学与工程学院的Wangyu Jin、Huifang Ma、Yingyue Zhang，广西师范大学教育区块链与智能技术教育部重点实验室的Zhixin Li，以及桂林电子科技大学计算机科学与信息安全学院的Liang Chang共同撰写。论文于2025年发表在期刊《Neural Networks》上，题为“Dual-View Graph-of-Graph Representation Learning with Graph Transformer for Graph-Level Anomaly Detection”。

研究流程

1. 图变换器增强的图嵌入

为了增强对图内信息的挖掘能力，本文提出了一种基于图变换器的图嵌入方法。该方法结合了GNNs和图变换器的优势，通过引入结构编码（structural encoding）来扩展GNNs的感受野。具体步骤如下：

  • GNNs嵌入：使用图同构网络（Graph Isomorphism Network, GIN）作为GNNs编码器，生成初步的节点嵌入。GIN通过多层感知机（MLP）和邻域聚合机制来提取节点特征。
  • 变换器嵌入：在传统的变换器基础上，引入了基于随机游走的结构编码，用于计算节点之间的注意力分数。通过全图注意力机制，生成变换器嵌入。
  • 图嵌入融合：将GNNs嵌入和变换器嵌入进行拼接，并通过全局平均池化（global average pooling）生成图级表示。

2. 双视图图-图表示学习

为了显式地捕捉图间的依赖关系，本文设计了一种双视图图-图表示学习模块。该模块从结构和属性两个视角构建图-图（Graph-of-Graph, GoG）表示，具体步骤如下：

  • 图-图构建：基于拓扑相似性和属性相似性，分别构建拓扑图-图（Topology-based GoG）和属性图-图（Feature-based GoG）。拓扑相似性通过最短路径核函数（shortest path kernel）计算，而属性相似性则通过余弦相似性（cosine similarity）计算。
  • 图-图传播：在构建的图-图结构上进行消息传播，使用GIN作为编码器，生成图级表示。通过最小化两个视图之间的近似误差，确保图表示的一致性。

3. 异常评分模块

为了量化每个图的异常程度，本文设计了基于重构误差的异常评分机制。具体步骤如下：

  • 单图重构误差：通过结构解码器和属性解码器，分别重构图的结构和属性信息，计算单图重构误差。
  • 图-图重构误差：在拓扑图-图和属性图-图上进行重构，计算图-图重构误差。
  • 综合异常评分：结合单图重构误差和图-图重构误差，生成综合异常评分，用于最终的异常检测。

主要结果

本文在多个真实世界的数据集上进行了广泛的实验，验证了所提出方法的有效性。实验结果表明，本文提出的方法在大多数数据集上的AUC（Area Under Curve）指标均优于现有的GLAD方法。具体结果如下：

  • 图变换器增强嵌入的有效性：通过引入图变换器，显著扩展了GNNs的感受野，提升了图内异常信息的捕捉能力。
  • 双视图图-图表示学习的有效性：通过显式地建模图间关系，有效地捕捉了图间的异常模式，提升了异常检测的准确性。
  • 异常评分机制的有效性：基于重构误差的异常评分机制能够更全面地评估图的异常程度，提高了检测的鲁棒性。

结论与意义

本文提出了一种基于双视图图-图表示学习的图级异常检测方法，结合图变换器技术，从图内和图间两个视角全面探索图数据中的异常信息。该方法不仅扩展了GNNs的感受野，还显式地建模了图间关系，生成高质量的图级表示，从而提升了异常检测的性能。本文的研究为图级异常检测提供了一种新的思路，具有重要的科学价值和实际应用意义。

研究亮点

  1. 图变换器的引入：通过结合图变换器和GNNs，显著扩展了GNNs的感受野，提升了图内异常信息的捕捉能力。
  2. 双视图图-图表示学习：通过从结构和属性两个视角构建图-图表示，显式地建模了图间关系，捕捉了图间的异常模式。
  3. 基于重构误差的异常评分机制：通过单图重构和图-图重构，生成综合异常评分，提供了更全面的异常评估。

其他有价值的信息

本文的实验结果表明，所提出的方法在多个真实世界的数据集上均表现出色，尤其是在生物信息学和社交网络数据集上，异常检测的准确性显著提升。此外，本文还详细分析了不同超参数（如邻居数量、控制系数和检测阈值）对模型性能的影响，为实际应用中的参数选择提供了指导。