7-4 大规模图数据中的异常检测

核心观点与关键数据

• 政府支持部门与COVID后恢复过程：研究使用7600万用电记录和10K个组织数据，跨越两年衡量不同部门的恢复过程，通过学习图表示影响力组织间关系，探讨政策制定影响。
• 金融领域异常检测：识别违约借款人，传统方法依赖历史贷款记录，本研究提出双任务因子图模型，识别异常节点。
• 金融欺诈损失：2021年电信电话欺诈损失达5亿美元，2018年金融付款卡欺诈损失达278.5亿美元。

图神经网络在异常检测中的挑战与解决方案

• GCN局限性：大多数GNN是低通滤波器，无法有效识别异常，特别是混合高频和低频信号的异常图。
• AMNet模型：提出自适应多频GNN（AMNet），通过节点自适应组合不同频率信号，有效捕获图信号的多频率特征。
• PathNet模型：超越同质假设的GNN，提出结构感知路径聚合（PathNet），通过路径采样器获取有意义的路径信息，聚合结构感知路径信息。
• 实验结果：AMNet和PathNet在多个领域（金融欺诈、电话营销欺诈等）均表现优异，显著超越传统GNN模型。

图神经网络对抗性攻击与防御

• 对抗性攻击威胁：骗子会攻击模型，即使不暴露目标模型信息，也会导致下游任务性能下降。
• 无查询黑盒攻击：研究提出无查询黑盒攻击方法，通过扰动图结构进行攻击。
• 防御策略：提出基于图预训练的模型防御方法，提高模型对对抗性攻击的鲁棒性。
• 量化表示漏洞：定义图表示漏洞，通过编码器学习健壮的图表示，提高模型鲁棒性。

应用场景与案例研究

• 游戏团队角色识别：应用图神经网络识别游戏团队角色，分析角色对虐待行为的影响。
• 电力盗窃预测：应用HEBR模型分层识别窃电行为，结合宏观、中观和微观信息，成功应用于实际场景。
• 癫痫波检测：应用BrainNet模型从SEEG记录中检测癫痫波，性能提升142%，成功应用于杭州电力盗窃检测。

总结与展望

• 图神经网络在异常检测中的应用前景广阔，但仍需解决可解释性、领域知识和对抗性攻击等问题。
• 未来研究方向包括构建动态图异常检测基准、提高模型可解释性、结合领域知识等。