이종 그래프 이상 탐지를 위한 카이제곱 웨이블릿 그래프 신경망
Chi-Square Wavelet Graph Neural Networks for Heterogeneous Graph Anomaly Detection
이종 네트워크에서의 그래프 이상 탐지(GAD)는 노드 및 엣지 이종성으로 인해 고유한 과제를 제시한다. 기존 그래프 신경망(GNN) 방법은 주로 동종 GAD에 초점을 맞추므로 다음 세 가지 핵심 문제를 해결하지 못한다: (C1) 다양한 메타패스(meta-path) 전반에 걸친 비정상 신호와 풍부한 의미론 포착; (C2) 이종 정보 네트워크(HIN) 차원 정렬에서 고주파(high-frequency) 내용 보존; (C3) 클래스 불균형(class imbalance) 하에서 어려운 이상 샘플로부터 효과적으로 학습. 이를 극복하기 위해, 우리는 다양한 도메인에서 웨이블릿의 효과에서 영감을 받은 새로운 카이제곱 필터를 기반으로 한 스펙트럴 GNN 프레임워크인 ChiGAD를 제안한다. 구체적으로 ChiGAD는 (1) 다중 그래프 카이제곱 필터(Multi-Graph Chi-Square Filter)로, 각 메타패스 그래프에 전용 카이제곱 필터를 적용하여 이상 정보를 포착하고; (2) 상호작용형 메타-그래프 합성곱(Interactive Meta-Graph Convolution)으로, 고주파 정보를 보존하면서 특징을 정렬하고 통합 카이제곱 필터로 이종 메시지를 통합하며; (3) 기여도 기반 교차 엔트로피 손실(Contribution-Informed Cross-Entropy Loss)로, 클래스 불균형을 해결하기 위해 어려운 이상을 우선시한다. 공개 및 산업 데이터셋에 대한 광범위한 실험 결과, ChiGAD는 여러 지표에서 최신(state-of-the-art) 모델을 능가한다. 또한 동종 변형인 ChiGNN은 7개 GAD 데이터셋에서 우수한 성능을 보여 카이제곱 필터의 효과를 검증한다. 코드는 https://github.com/HsipingLi/ChiGAD 에서 이용할 수 있다.