Graph-level anomaly detection (GAD) (detecting abnormal graphs) 问题指的是给定一个有很多图的数据集, 找到其中和整个数据集大多数图显著不同的哪些图. 这个问题的实际场景包括识别药物的副作用, 识别有毒的化合物等, 或者可以用于调用链/交易线等的异常检测.

GAD包含两类异常, locally-anomalous graph指的是图上的个别节点及其邻居有异常的节点特征或者结构, gloally-anomalous graph指的是整个图的特征有异常.

和被研究的比较多的graph stream anomaly detection 不同. Graph stream是一个随时间变化的图的流, 其中的相邻时间的图大部分的节点和边都是不变的.

现有的深度学习方法用于图上异常检测的方法主要是AE或者GAN的模式, 但这个方法大多是用于节点或者边的异常检测.

将这类方法用于GAD的一个挑战是很难从embedding忠实地重构一个图.

这篇文章提出了一个基于random knowledge distillation的GAD方法, GLocalKD. 它可以同时检测local和global anomalous graph.

GLocalKD首先准备两个GNN网络. 其中Random Target Network的权重固定在随机初始化的状态. 另一个网络是可训练的. 然后训练目标是分别比较两个网络的node representation和graph representation, 并把local和global的loss相加. 最终目标是让predictor network学习到random target network的输出. 最后的异常检测指标是predictor network和random target network输出的node和graph repsentation的距离.

这里面的key intuition是, 如果一个模式频繁地出现在random target network的latent space中, 那么这些模式就会被distille得更好.

我理解这里的intuition和用AE做异常检测是很相似的, 都是对原始数据进行降维, 然后利用降维过程只能保留主要特征的特点进行异常检测. 只不过, AE学习到的降维的目标是能够重构会原始数据, 但是在graph上做重构很难, 所以把降维的目标固定成一个随机的映射, 而不追求更难的重构了. 这个模型能work, 说明只是为了做异常检测的话, AE这种做到忠实地重构原始数据的是overqualified了, 并不需要重构.