Detección de Anomalías en Grafos con Redes Neuronales de Grafos: Estado Actual y Retos

Los grafos se utilizan ampliamente para modelar sistemas complejos, y detectar anomalías en un grafo es una tarea importante en el análisis de sistemas complejos. Las anomalías en los grafos son patrones en un grafo que no se ajustan a los patrones normales esperados de los atributos y/o estructuras del grafo. En los últimos años, las redes neuronales de grafos (GNNs) han sido estudiadas extensamente y han llevado a cabo con éxito tareas difíciles de aprendizaje automático en clasificación de nodos, predicción de enlaces y clasificación de grafos gracias a la capacidad altamente expresiva a través del paso de mensajes para aprender efectivamente representaciones de grafos. Para resolver el problema de detección de anomalías en grafos, los métodos basados en GNN aprovechan la información sobre los atributos (o características) y/o estructuras del grafo para aprender a puntuar las anomalías adecuadamente. En esta encuesta, revisamos los avances recientes realizados en la detección de anomalías en grafos utilizando modelos de GNN. Específicamente, resumimos los métodos basados en GNN de acuerdo con el tipo de grafo (es decir, estático y dinámico), el tipo de anomalía (es decir, nodo, borde, subgrafo y grafo completo), y la arquitectura de la red (p. ej., autoencoder de grafos, red neuronal convolucional de grafos). Hasta donde sabemos, esta encuesta es la primera revisión integral de los métodos de detección de anomalías en grafos basados en GNNs.