DOI: https://doi.org/10.1109/tkde.2026.3656821
تاريخ النشر: 2026-01-22
المؤلف: Yingjie Zhou وآخرون
الموضوع الرئيسي: الشبكات العصبية المتقدمة
نظرة عامة
تقدم الورقة البحثية نهجًا جديدًا للكشف عن الشذوذ في الرسوم البيانية تحت إشراف ضعيف، يركز على تحديد حالات الرسوم البيانية غير العادية، مثل العقد التي تظهر سلوكيات تنحرف بشكل كبير عن الأنماط الطبيعية. يتناول الأسلوب تحدي تعلم تمثيلات الميزات الكامنة الفعالة التي تقلل من التباين داخل الفئة بين البيانات الطبيعية مع الحفاظ على الحساسية تجاه الشذوذ. يقترح المؤلفون استراتيجية تعلم ميزات محددة للنطاق تستخدم إطار تعلم متعدد المهام، مما يولد شذوذًا اصطناعيًا عن طريق إزعاج الرسوم البيانية الطبيعية. يتم إقران كل نوع من الشذوذ الاصطناعي برأس كشف مخصص، مما يعزز قدرة النموذج على التعرف على الانحرافات عن المعايير المعمول بها.
يستخدم الأسلوب المقترح استراتيجية تعلم من مرحلتين، تبدأ بمرحلة تسخين تستخدم فقط عينات اصطناعية، تليها مرحلة تدريب كاملة تشمل كل من الشذوذ الاصطناعي والبيانات الحقيقية. وقد أظهرت هذه الطريقة تحسينًا كبيرًا في الأداء في الكشف عن الشذوذ في الرسوم البيانية، لا سيما في السيناريوهات التي تحتوي على عدد محدود من الشذوذ المعنونة، كما يتضح من التجارب الواسعة على مجموعات البيانات العامة. بينما تم تصميم الطريقة بشكل أساسي للرسوم البيانية الثابتة، يعترف المؤلفون بحدودها في التعامل مع تطور الرسوم البيانية الديناميكية ويقترحون اتجاهات بحث مستقبلية يمكن أن تستكشف تمثيلات الميزات الثابتة واختيار المعلمات التكيفية لتعزيز قابلية تطبيق الطريقة.
طرق
في قسم الطرق، يوضح المؤلفون إعدادات التجارب وتقييم الأداء لطريقتهم المقترحة للكشف عن الشذوذ في الرسوم البيانية. للمقارنات الأساسية، يستخدمون بنية متسقة باستخدام الشبكات العصبية متعددة الطبقات (MLPs) والشبكات العصبية الرسومية (GNNs)، باستخدام MLP ذو طبقتين مع 64 وحدة مخفية وGNN ذو طبقتين (بما في ذلك GCN وGraphSAGE وGAT وGIN) مع تمثيلات عقدية بُعدها 64، تليها مصنف MLP ذو طبقتين. تتميز الطريقة المقترحة بترميز GATSep بأبعاد مماثلة وتستخدم دوال تفعيل ReLU طوال الوقت. يتم إجراء التحسين باستخدام مُحسِّن Adam مع معلمات قياسية، ويتم تطبيق مُنظم L2-norm لتخفيف الإفراط في التكيف، لا سيما في السيناريوهات التي تحتوي على بيانات معنونة محدودة.
تتم المقارنة في الأداء عبر أربع مجموعات بيانات من العالم الحقيقي، مع الحفاظ على إعدادات معلمات متسقة، لا سيما بُعد مخفي يبلغ 64 لجميع النماذج. يتم تقسيم مجموعات البيانات إلى مجموعات تدريب وتحقق واختبار بنسبة 8:1:1، مع وجود 30 شذوذ معنونة فقط في مجموعة التدريب، مما يمثل جزءًا صغيرًا من البيانات. لمحاكاة ظروف واقعية، يتم إدخال الشذوذ في الفئة الطبيعية بمعدل تلوث يبلغ 1%. يبلغ المؤلفون عن مقاييس الأداء المتوسطة عبر 16 تجربة لضمان القوة الإحصائية، مع تعيين معلمات تبادل محددة لمجموعات بيانات مختلفة. تستخدم التنفيذ Python والعديد من المكتبات، وتجرى جميع التجارب على إعداد حوسبة عالية الأداء.
نقاش
تناقش هذه القسم طرقًا مختلفة للكشف عن الشذوذ في الرسوم البيانية (GAD)، مع تسليط الضوء على التطور من الطرق التقليدية إلى التقنيات المعاصرة التي تستخدم الشبكات العصبية الرسومية (GNNs) والتعلم الذاتي. اعتمدت طرق GAD التقليدية على ميزات مصنوعة يدويًا وتعلم الآلة التقليدي، بينما تستفيد التطورات الحديثة من GNNs لتعلم التمثيل التلقائي، مما يعالج بفعالية التحديات مثل التمويه، حيث تخفي الشذوذ نفسها بين العقد الطبيعية. تستخدم طرق بارزة مثل CARE-GNN وPC-GNN تجميع الجيران الانتقائي للتخفيف من هذه المشكلة، بينما تركز طرق أخرى مثل BWGNN وGHRN على الاتصالات غير المتجانسة، مما يعزز قدرات الكشف من خلال التقاط أنماط مميزة مرتبطة بالشذوذ.
علاوة على ذلك، تستكشف هذه القسم التعلم الذاتي كأداة قوية لتعلم التمثيل في الرسوم البيانية، مع التأكيد على إمكانيته في الكشف عن الشذوذ من خلال أهداف إعادة البناء واستراتيجيات التعلم التبايني. ومع ذلك، لا تستخدم العديد من الطرق الذاتية المعلومات المتاحة عن العلامات، مما قد يعزز أداء الكشف. تهدف طرق الكشف عن الشذوذ تحت إشراف ضعيف إلى التعلم من الشذوذ المعنونة المحدودة، وغالبًا ما تستخدم تقنيات التسمية الزائفة أو تعزيز البيانات. يقدم النهج المقترح في الورقة شذوذًا اصطناعيًا لتوجيه تعلم الميزات، بهدف تطوير تمثيل حساس للاضطراب يمكنه تحديد الشذوذ الحقيقي بفعالية، حتى في السيناريوهات التي تحتوي على بيانات معنونة نادرة. تعالج هذه الاستراتيجية المبتكرة حدود الطرق الحالية من خلال تعزيز تعلم الميزات المصممة خصيصًا للكشف عن الشذوذ في الرسوم البيانية.
DOI: https://doi.org/10.1109/tkde.2026.3656821
Publication Date: 2026-01-22
Author(s): Yingjie Zhou et al.
Primary Topic: Advanced Graph Neural Networks
Overview
The research paper presents a novel approach to weakly supervised graph anomaly detection, which focuses on identifying unusual graph instances, such as nodes exhibiting behaviors that deviate significantly from normal patterns. The method addresses the challenge of learning effective latent feature representations that minimize intra-class variance among normal data while maintaining sensitivity to anomalies. The authors propose a domain-specific feature learning strategy that utilizes a multi-task learning framework, generating synthetic anomalies by perturbing normal graphs. Each type of synthetic anomaly is paired with a dedicated detection head, enhancing the model’s ability to recognize deviations from established norms.
The proposed method employs a two-phase learning strategy, beginning with a warm-up phase that utilizes only synthetic samples, followed by a full-training phase that incorporates both synthetic anomalies and real data. This approach has been shown to significantly improve performance in graph anomaly detection, particularly in scenarios with limited labeled anomalies, as evidenced by extensive experiments on public datasets. While the method is primarily designed for static graphs, the authors acknowledge its limitations in handling dynamic graph evolution and suggest future research directions that could explore invariant feature representations and adaptive hyperparameter selection to enhance the method’s applicability.
Methods
In the Methods section, the authors outline the experimental settings and performance evaluation of their proposed graph anomaly detection method. For baseline comparisons, they employ a consistent architecture using Multi-Layer Perceptrons (MLPs) and Graph Neural Networks (GNNs), specifically utilizing a two-layer MLP with 64 hidden units and a two-layer GNN (including GCN, GraphSAGE, GAT, and GIN) with 64-dimensional node embeddings, followed by a two-layer MLP classifier. The proposed method features a GATSep encoder with similar dimensions and employs ReLU activation functions throughout. The optimization is conducted using the Adam optimizer with standard parameters, and an L2-norm regularizer is applied to mitigate overfitting, particularly in scenarios with limited labeled data.
The performance comparison is conducted across four real-world datasets, maintaining consistent hyperparameter settings, particularly a hidden dimension of 64 for all models. The datasets are split into training, validation, and test sets in an 8:1:1 ratio, with only 30 labeled anomalies in the training set, representing a small fraction of the data. To simulate realistic conditions, anomalies are introduced into the normal class at a contamination rate of 1%. The authors report average performance metrics across 16 experimental runs to ensure statistical robustness, with specific trade-off parameters set for different datasets. The implementation utilizes Python and several libraries, and all experiments are conducted on a high-performance computing setup.
Discussion
The section discusses various approaches to graph anomaly detection (GAD), highlighting the evolution from traditional methods to contemporary techniques utilizing graph neural networks (GNNs) and self-supervised learning. Traditional GAD methods relied on handcrafted features and conventional machine learning, while recent advancements leverage GNNs for automatic representation learning, effectively addressing challenges such as camouflage, where anomalies disguise themselves among normal nodes. Notable methods like CARE-GNN and PC-GNN employ selective neighbor aggregation to mitigate this issue, while others like BWGNN and GHRN focus on heterophilic connections, enhancing detection capabilities by capturing distinct patterns associated with anomalies.
Furthermore, the section explores self-supervised learning as a powerful tool for representation learning in graphs, emphasizing its potential in anomaly detection through reconstruction objectives and contrastive learning strategies. However, many self-supervised methods do not utilize available label information, which could enhance detection performance. Weakly-supervised anomaly detection methods aim to learn from limited labeled anomalies, often employing pseudo-labeling or data augmentation techniques. The proposed approach in the paper introduces synthetic anomalies to guide feature learning, aiming to develop a disturbance-sensitive representation that can effectively identify real anomalies, even in scenarios with scarce labeled data. This innovative strategy addresses the limitations of existing methods by enhancing feature learning specifically tailored for graph anomaly detection.