Can Abnormality be Detected by Graph Neural Networks?

图异常检测在金融、生物等众多领域有着广泛的应用，引起了学术界和工业界的广泛关注。与此同时，图神经网络(GNNs)正在成为建模图数据的强大工具。这里出现的一个自然而基本的问题是:异常可以通过图神经网络检测吗?本文旨在回答这个问题，这不是微不足道的。正如许多现有工作所探索的那样，图神经网络可以被视为图信号的过滤器，在图中具有低频的优势。换句话说，GNN将平滑相邻节点的信号。然而，图中的异常往往具有与其邻居不相似的特性，这些邻居大多是正常样本。因此，它与传统gnn的一般假设相冲突。为解决此问题，本文提出一种新的自适应多频图神经网络(AMNet)1，旨在同时捕获低频和高频信号，并自适应地组合不同频率的信号。在真实数据集上的实验结果表明，该模型与几种最先进的基线方法相比，取得了显著的性能提升

 原因：1) gnn的低通特性与包含异常的网络本质上是不一致的。这就导致gnn学习到的异常节点表示无法区分，从而不可避免地导致图异常检测问题的性能不佳。

2)大多数基于gnn的方法都是对网络中所有节点采用具有全局滤波特性(low-/high-/band-pass)的gnn。对正常/异常节点利用不同频率信息缺乏自适应性，这是获得更容易区分的表示的主要障碍。

方法：

为了解决上述基于GNN的图异常检测中的两个问题，可以期待一种超越低通滤波器的GNN模型，它可以利用正常节点的低频信息来保留共性，而关注异常节点的高频信息来强调差异性。然而，不同频率的信息与异常检测任务之间的相关性通常非常复杂且不可知。因此，要使gnn在图异常检测上取得良好的性能，必须提供足够的归纳偏差，使模型自适应地选择低频、高频或两者都用于区分异常节点。为此，提出一种新颖的自适应多频滤波图神经网络图异常检测方法(Adaptive multi - frequency filtering graph neural network for graph anomaly detection, AMNet)。其核心思想是自适应地融合低频和高频信息来学习节点嵌入以区分异常节点。AMNet不是应用全局低通滤波器，而是开发了一种新的可学习的多频滤波器组，以有效地同时捕获低频和高频的图信号。然后滤波器组的输出信号传递多个频率的信息。此外，采用节点级注意力机制，使模型能够有效地融合每个节点不同频率的信息。 

月读者总结：这篇论文提出了一个GNN识别异常的问题，是很关键的问题之一。提出了两种不同的滤波，一种是基于高频滤波器。另一是基于低频滤波器。然后两者协同的实现异常的检测。

 

 本文提出一种新的框架自适应多频图神经网络(AMNet)。其基本思想是自适应地利用低频和高频信息。正常节点更可能与低频信息相关，而高频信号则表现为与其他节点不同的异常。接下来我们将详细介绍模型的两个主要组成部分:多频滤波器组和自适应组合模块。

 Combing signals adaptively.