NeiGAD: 스펙트럼 이웃 정보 기반 그래프 이상 탐지 성능 향상

NeiGAD: Augmenting Graph Anomaly Detection via Spectral Neighbor Information

그래프 이상 탐지(GAD)는 속성 그래프에서 비정상적인 노드 또는 구조를 식별하는 것을 목표로 합니다. 이웃 정보는 구조적 연결성과 주변 노드와의 속성 일관성을 반영하며, 이상을 정상 패턴과 구별하는 데 필수적입니다. 최근의 그래프 신경망(GNN) 기반 방법들은 메시지 전달을 통해 이러한 정보를 통합하지만, 종종 이웃 정보의 효과 또는 속성과의 상호 작용을 명시적으로 모델링하지 못하여 탐지 성능을 제한합니다. 본 연구에서는 스펙트럴 그래프 분석을 통해 이웃 정보를 획득하는 새로운 모듈인 NeiGAD를 소개합니다. 이론적 분석 결과, 인접 행렬의 고유 벡터는 로컬 이웃 상호 작용을 인코딩하고 이상 신호를 점진적으로 증폭시키는 것으로 나타났습니다. 이를 바탕으로 NeiGAD는 효율적이고 차별적인 표현을 구축하기 위해 일련의 고유 벡터를 선택합니다. 8개의 실제 데이터 세트에 대한 실험 결과, NeiGAD는 일관되게 탐지 정확도를 향상시키고 최첨단 GAD 방법보다 우수한 성능을 보였습니다. 이러한 결과는 명시적인 이웃 모델링의 중요성과 이상 탐지에서의 스펙트럴 분석의 효과를 입증합니다. 코드: https://github.com/huafeihuang/NeiGAD

Graph anomaly detection (GAD) aims to identify irregular nodes or structures in attributed graphs. Neighbor information, which reflects both structural connectivity and attribute consistency with surrounding nodes, is essential for distinguishing anomalies from normal patterns. Although recent graph neural network (GNN)-based methods incorporate such information through message passing, they often fail to explicitly model its effect or interaction with attributes, limiting detection performance. This work introduces NeiGAD, a novel plug-and-play module that captures neighbor information through spectral graph analysis. Theoretical insights demonstrate that eigenvectors of the adjacency matrix encode local neighbor interactions and progressively amplify anomaly signals. Based on this, NeiGAD selects a compact set of eigenvectors to construct efficient and discriminative representations. Experiments on eight real-world datasets show that NeiGAD consistently improves detection accuracy and outperforms state-of-the-art GAD methods. These results demonstrate the importance of explicit neighbor modeling and the effectiveness of spectral analysis in anomaly detection. Code is available at: https://github.com/huafeihuang/NeiGAD.