GFM4GA: 그룹 이상 탐지를 위한 그래프 파운데이션 모델

GFM4GA: Graph Foundation Model for Group Anomaly Detection

그룹 이상 탐지는 많은 네트워크 애플리케이션에서 중요하지만, 다양한 이상 패턴으로 인해 어려움에 직면해 있다. 자연어 처리 분야에서 거대 언어 모델(LLM)의 성공에 힘입어, 더 적은 레이블링 노력으로 퓨샷(few-shot) 학습 작업을 처리하기 위해 그래프 파운데이션 모델(GFM)이 제안되었다. GFM은 개별 이상 탐지에는 성공적으로 적용되었으나, 그룹 이상 패턴은 전체적으로 탐지되어야 하고 비정상 그룹 내의 개체들은 다소 정상적으로 보일 수 있기 때문에 이를 그룹 이상으로 일반화하기는 어렵다. 따라서 본 논문에서는 그룹 이상 탐지를 위한 새로운 그래프 파운데이션 모델인 GFM4GA를 제안한다. 이 파이프라인은 잠재적인 그룹 이상 구조와 특징 불일치를 포착하기 위해, 특징 기반 추정 및 그룹 추출에 기초한 이중 수준 대조 학습(dual-level contrastive learning)을 통해 사전 학습된다. 다운스트림 작업에서 이 파이프라인은 파라미터 제약 및 그룹 이상 비율 가중치가 적용된 퓨샷 설정에서 미세 조정(finetuning)되며, 레이블이 지정된 이상 이웃에 의해 결정된 그룹 컨텍스트를 통해 본 적 없는 그룹 이상에 대한 적응 능력을 확장한다. 실험 결과에 따르면 GFM4GA는 기존의 그룹 이상 탐지기 및 개별 이상을 위한 GFM을 능가하며, AUROC에서 평균 2.85%, AUPRC에서 2.55%의 성능 향상을 달성했다.

Group anomaly detection is crucial in many network applications, but faces challenges due to diverse anomaly patterns. Motivated by the success of large language models (LLMs) in natural language processing, graph foundation models (GFMs) is proposed to handle few-shot learning task with fewer labeling efforts. GFMs have been successfully applied to detection of individual anomalies but cannot be generalized to group anomalies, as group anomaly patterns must be detected as a whole and individuals in an abnormal group can look rather normal. Therefore, we propose GFM4GA, a novel graph foundation model for group anomaly detection. The pipeline is pretrained via dual-level contrastive learning based on feature-based estimation and group extraction, to capture potential group anomaly structure and feature inconsistencies. In the downstream tasks, the pipeline is finetuned in parameter-constrained and group-anomaly-proportion weighted few-shot settings, and its adaptive ability to unseen group anomalies expanded via group contexts determined by labeled anomaly neighbors. Experiments show that GFM4GA surpasses group anomaly detectors and GFMs for individual anomalies, achieving average improvements of 2.85% in AUROC and 2.55% in AUPRC.