Gegenseitige Graphenlernen zur Anomalieerkennung in attributierten Netzwerken

Die Anomalieerkennung in Graphen weckt bemerkenswerte interdisziplinäre Forschungsinteressen, die von Finanzen über Gesundheitswesen bis hin zur Analyse sozialer Netzwerke reichen. Jüngste Fortschritte im Bereich der graphbasierten neuronalen Netze haben die Erkennungsleistung durch semi-überwachtes Lernen der Repräsentation erheblich verbessert. Frühere Arbeiten zeigen jedoch, dass tiefgreifende graphbasierte Methoden dazu neigen, falsche Korrelationen zu lernen. Infolgedessen gelingt es ihnen nicht, über die Verteilung der Trainingsdaten zu generalisieren. In diesem Artikel wollen wir strukturelle und kontextuelle Anomalieknoten in einem attributierten Graphen identifizieren. Basierend auf unseren vorläufigen Datenanalysen können falsche Korrelationen durch kausale Subgraph-Interventionen eliminiert werden. Daher schlagen wir ein neues graphbasiertes Anomalieerkennungsmodell vor, das kausale Beziehungen zur Anomalieerkennung lernen kann und gleichzeitig auf neue Umgebungen generalisiert. Um mit Situationen mit unterschiedlichen Umgebungen umzugehen, steuern wir das generative Modell, um synthetische Umweltmerkmale zu erzeugen, die auf realistischen Subgraphen angewendet werden, um kontrafaktische Subgraphen zu generieren. Darüber hinaus helfen diese kontrafaktischen Subgraphen einem Few-Shot-Anomalieerkennungsmodell, übertragbare und kausale Beziehungen über verschiedene Umgebungen hinweg zu lernen. Die Experimente an drei realen attributierten Graphen zeigen, dass der vorgeschlagene Ansatz die beste Leistung im Vergleich zu den modernsten Baselines erzielt und robuste kausale Repräsentationen lernt, die resistent gegen Rauschen und falsche Korrelationen sind.