Erkennung von Anomalien in Graphen mit Graph-Neuronalen Netzen: Aktueller Stand und Herausforderungen

Graphen werden weit verbreitet verwendet, um komplexe Systeme zu modellieren, und die Erkennung von Anomalien in einem Graphen ist eine wichtige Aufgabe in der Analyse komplexer Systeme. Graphanomalien sind Muster in einem Graphen, die nicht den normalen Mustern entsprechen, die von den Attributen und/oder Strukturen des Graphen erwartet werden. In den letzten Jahren wurden Graph-Neuronale Netze (GNNs) intensiv untersucht und haben erfolgreich schwierige maschinelle Lernaufgaben in der Knotenklassifikation, Linkvorhersage und Graphklassifikation bewältigt, dank der hochgradig ausdrucksstarken Fähigkeit, durch Nachrichtenaustausch effektiv Graphdarstellungen zu lernen. Um das Problem der Erkennung von Graphanomalien zu lösen, nutzen GNN-basierte Methoden Informationen über die Graphattribute (oder Merkmale) und/oder Strukturen, um Anomalien angemessen zu bewerten. In dieser Umfrage überprüfen wir die jüngsten Fortschritte bei der Erkennung von Graphanomalien mithilfe von GNN-Modellen. Insbesondere fassen wir GNN-basierte Methoden entsprechend dem Graphtyp (d.h. statisch und dynamisch), dem Anomalietyp (d.h. Knoten-, Kanten-, Teilgraph- und Gesamtgraphanomalien) und der Netzwerkarchitektur (z.B. Graph-Autoencoder, graphenfaltung) zusammen. Nach unserem besten Wissen ist diese Umfrage die erste umfassende Übersicht über Methoden zur Erkennung von Graphanomalien, die auf GNNs basieren.