多视图属性网络异常检测系列二

1|0论文《Can Abnormality be Detected by Graph Neural Networks?》

这篇暂时也不是多视图属性网络相关的内容，但对图神经网络能否有效进行异常检测进行了分析和解决。
文章地址：https://doi.org/10.24963/ijcai.2022/270

1|1背景

图中的异常检测由于其在金融、生物等众多领域的广泛应用，引起了学术界和工业界的极大兴趣。与此同时，图神经网络(GNNs)正在成为图数据建模的有力工具。

1|2动机

许多已有工作都说明了GNNs可以被看作是图信号的过滤器，其优点是图信号的频率较低。也就是说，GNN会平滑相邻节点的信号。然而，异常在一个图上直观的特征是，它往往与它的邻居不一样，这些邻居大多是正常的样本。因此，它与传统gnn的一般假设相冲突。

1|3模型与方法

文章中提出了一种新的自适应多频率图神经网络(Adaptive Multi-frequency Graph Neural Network, AMNet)，旨在同时捕获低频和高频信号，并自适应组合不同频率的信号。

1|0框架图

1|0模型描述

多频滤波器组：捕获多频信号
该组由多个并行运行的可训练图过滤器组成，每个过滤器以端到端的方式独立训练。滤波器组中的K个滤波器表示为:
,
图信号 $Z_{k}$ 通过第k个图滤波器定义为：

那么如何选择图滤波器呢？要解决两个挑战：

根据图信号处理理论，现有的大多数图滤波器可能会得到负谱函数，从而导致组合结果复杂
滤波器的频率特性是尺度不变的。这意味着滤波器尺度越大越好，尺度越小，对不同频率学习滤波器的适应性越差。
于是文中引入了restricted Bernstein polynomial parametrization。

自适应组合模块：自适应合并信号
考虑到每个节点可以关注不同的频段，文中使用了 $att (Z_{1}, \dots, Z_{k})$ 来学习相应的重要性（ $α_{1}, \dots, α_{k}$ ），如下：

注意力分数为：

节点 $v_{i}$ 的最终关注权重是通过用Softmax函数将关注值 $ω_{k}^{i}$ 归一化为:

通过组合滤波信号得到最终的嵌入Z：
目标函数（由注意训练的约束和节点分类交叉熵损失组成）

1|4实验

在真实数据集上的实验结果表明，AMNet模型与几种最先进的基线方法相比取得了显著的改进。

图滤波器的可视化：

注意力分配的分析：

注意力趋势的分析：

消融实验：

1|5个人总结

难点：涉及了很多谱域的图相关的内容，文中根据图信号处理理论定义基于图形傅里叶变换的图形滤波运算。特别是受限Bernstein多项式参数化法的推导证明

1|6其他

归纳总结AnomMAN，其中也提到对高低频信号的分析。

__EOF__

本文作者：Sharycxc
本文链接：https://www.cnblogs.com/sharycxc/p/16778923.html
关于博主：评论和私信会在第一时间回复。或者直接私信我。
版权声明：本博客所有文章除特别声明外，均采用 BY-NC-SA 许可协议。转载请注明出处！
声援博主：如果您觉得文章对您有帮助，可以点击文章右下角【推荐】一下。您的鼓励是博主的最大动力！