정상 프로토타입과의 대비를 통한 해석 가능한 그래프 레벨 이상 탐지

Interpretable Graph-Level Anomaly Detection via Contrast with Normal Prototypes

그래프 레벨 이상 탐지(GLAD)는 데이터셋 내에서 대부분의 그래프와 크게 다른 이상 그래프를 식별하는 작업입니다. 딥러닝 기반 GLAD 방법은 유망한 성능을 보이지만, 블랙박스 특성으로 인해 실제 응용 분야에서의 신뢰성과 활용에 제한이 있습니다. 일부 최근 연구에서는 이상 탐지 결과에 대한 설명을 제공하려는 시도가 있었지만, 이들은 정상 그래프를 참조하지 않거나, 데이터셋의 구체적인 그래프 대신 추상적인 잠재 벡터를 프로토타입으로 사용합니다. 이러한 제한 사항을 해결하기 위해, 우리는 프로토타입 기반 그래프 레벨 이상 탐지(ProtoGLAD)라는 해석 가능한 비지도 학습 프레임워크를 제안합니다. ProtoGLAD는 탐지된 각 이상에 대해, 해당 이상과 가장 가까운 정상 프로토타입 그래프와의 대비를 통해 설명을 제공합니다. 이 방법은 포인트-셋 커널을 사용하여 데이터셋에서 여러 개의 정상 프로토타입 그래프와 관련된 클러스터를 반복적으로 발견하고, 발견된 모든 정상 클러스터에서 멀리 떨어져 있는 그래프를 이상으로 식별합니다. 여러 실제 데이터셋에 대한 광범위한 실험 결과는 ProtoGLAD가 최첨단 GLAD 방법과 경쟁력 있는 이상 탐지 성능을 달성하는 동시에, 더 나은 인간이 이해할 수 있는 프로토타입 기반 설명을 제공한다는 것을 보여줍니다.

The task of graph-level anomaly detection (GLAD) is to identify anomalous graphs that deviate significantly from the majority of graphs in a dataset. While deep GLAD methods have shown promising performance, their black-box nature limits their reliability and deployment in real-world applications. Although some recent methods have made attempts to provide explanations for anomaly detection results, they either provide explanations without referencing normal graphs, or rely on abstract latent vectors as prototypes rather than concrete graphs from the dataset. To address these limitations, we propose Prototype-based Graph-Level Anomaly Detection (ProtoGLAD), an interpretable unsupervised framework that provides explanation for each detected anomaly by explicitly contrasting with its nearest normal prototype graph. It employs a point-set kernel to iteratively discover multiple normal prototype graphs and their associated clusters from the dataset, then identifying graphs distant from all discovered normal clusters as anomalies. Extensive experiments on multiple real-world datasets demonstrate that ProtoGLAD achieves competitive anomaly detection performance compared to state-of-the-art GLAD methods while providing better human-interpretable prototype-based explanations.