ComGA

A detecção de anomalias em grafos visa encontrar padrões raros que são significativamente diferentes de outros nós. Grafos atribuídos, contendo estrutura complexa e informações de atributos, são onipresentes em nossos cenários de vida, como o gráfico de transações de contas bancárias e o gráfico de citações de artigos. Nós anômalos em grafos atribuídos mostram grande diferença em relação aos outros em perspectivas de estrutura e atributos, resultando em vários tipos de anomalias em grafos. Neste artigo, investigamos três tipos de anomalias em grafos: anomalias locais, globais e estruturais. Além disso, os métodos de detecção de anomalias baseados em redes neurais gráficas (GNNs) atraem considerável interesse de pesquisa devido à capacidade de modelar grafos atribuídos. No entanto, a operação de convolução das GNNs agrega informações dos vizinhos para representar nós, o que torna as representações dos nós mais semelhantes e não consegue distinguir efetivamente entre nós normais e anômalos, resultando assim em resultados sub-otimais. Para melhorar o desempenho da detecção de anomalias, propomos uma nova estrutura de detecção de anomalias em grafos atribuídos ciente da comunidade (ComGA). Desenvolvemos uma rede neural convolucional profunda adaptada (tGCN) para detecção de anomalias em grafos atribuídos. Extensos experimentos em oito conjuntos de dados de grafos da vida real demonstram a eficácia do ComGA.