【GNN报告】香港科技大学李佳：图异常检测再思考—我们究竟需要怎样的图神经网络？_rethinking graph neural networks for anomaly detec

目录

1、简介

2、Rethinking Graph Neural Networks for Anomaly Detection

背景

 学习模式

现有图异常检测工作

​编辑 动机

背景知识

 方法

 实验

 总结

3、参考

---

1、简介

报告嘉宾：李佳（香港科技大学）

报告题目：图异常检测再思考—我们究竟需要怎样的图神经网络？

报告摘要：

图神经网络（GNN）被广泛应用于结构化数据的异常检测，例如社交网络恶意账号检测、金融交易欺诈检测等。我们首次从谱域的角度分析了异常数据可能造成的影响。核心发现是：异常数据将导致频谱能量出现 “右移” 现象，即频谱能量分布从低频向高频移动。基于这一发现，我们又提出了 Beta 小波图神经网络（BWGNN）。它拥有多个具有局部性的带通滤波器，能够更好捕获 “右移” 产生的高频异常信息。在四个大规模图异常检测数据集上，BWGNN 的性能均优于现有的模型。

报告人简介：

李佳，香港科技大学 计算机系以及香港科技大学(广州) 数据科学与分析学域 助理教授，2021年博士毕业于香港中文大学。李佳博士在工业界有多年的异常检测工作经历，曾供职于Google和腾讯。其研究目前主要为图数据异常检测，可逆图神经网络以及基于图数据的药物生成和医疗健康。

参考文献

1.Rethinking Graph Neural Networks for Anomaly Detection

2.https://github.com/squareRoot3/Rethinking-Anomaly-Detection

2、Rethinking Graph Neural Networks for Anomaly Detection

背景

 

 

 学习模式

 

现有图异常检测工作

 动机

 从找合适的滤波器角度入手

背景知识

 图拉普拉斯算子

谱分解（外界环境信息）

 ​​​​​

 

 谱聚类

 

 当特征逐渐变多的时候，低频能量向高频转移

低频能量定义

 结论

当图中存在异常或者当图中的异常逐渐变大时，谱分解后的能量分布糊逐渐地从低频部分往高频部分转移

 通过假设验证结论

低频特征分量变大则低频能量变小

 验证猜想：在合成数据集上

 验证猜想：在真实数据集上

大数据集上验证存在困难，提出新概念

验证

 发现异常减少，低频能量上升（绿色虚线比黄色虚线高）

 通过数据值化结果验证

 方法

 

 发现小波变换就是低通滤波

 

发现小波GNN确实符合，同时确定使用beta kernal的intuition

 

 回到GNN的设计上，依旧遵循MPNN范式 

 实验

框起来的是大数据集

 

 

 总结

3、参考

录播视频链接 || 香港科技大学李佳：图异常检测再思考—我们究竟需要怎样的图神经网络？

LOGS 第2022/07/16期 || 香港科技大学李佳：图异常检测再思考—我们究竟需要怎样的图神经网络？_哔哩哔哩_bilibili