AC2L-GAD: 능동적 반사실 대비 학습을 통한 그래프 이상 탐지

AC2L-GAD: Active Counterfactual Contrastive Learning for Graph Anomaly Detection

그래프 이상 탐지는 네트워크에서 비정상적인 패턴을 식별하는 것을 목표로 하지만, 레이블 부족과 극심한 클래스 불균형으로 인해 상당한 어려움을 겪습니다. 그래프 대비 학습은 유망한 비지도 학습 솔루션을 제공하지만, 기존 방법은 두 가지 중요한 한계점을 가지고 있습니다. 즉, 무작위 증강은 긍정 쌍에서 의미적 일관성을 깨뜨리고, 단순한 부정 샘플링은 사소하고 정보가 부족한 대비를 생성합니다. 우리는 이러한 한계점을 원칙적인 반사실 추론을 통해 해결하는 능동적 반사실 대비 학습 프레임워크인 AC2L-GAD를 제안합니다. 정보 이론 기반의 능동 선택과 반사실 생성을 결합하여, 우리의 접근 방식은 구조적으로 복잡한 노드를 식별하고, 이상을 보존하는 긍정 증강을 생성하는 동시에, 어려운 대비를 제공하는 정상적인 부정 샘플을 생성합니다. 또한, 비용이 많이 드는 반사실 생성을 전략적으로 선택된 부분 집합으로 제한하여 전체 그래프 반사실 생성을 약 65% 줄여 계산 오버헤드를 줄이면서도 탐지 성능을 유지합니다. GADBench에서 제공하는 실제 금융 거래 그래프를 포함한 9개의 벤치마크 데이터 세트에 대한 실험 결과, AC2L-GAD는 최첨단 기준 모델과 비교하여 경쟁력 있는 또는 우수한 성능을 달성했으며, 특히 이상이 복잡한 속성-구조 상호 작용을 나타내는 데이터 세트에서 상당한 성능 향상을 보였습니다.

Graph anomaly detection aims to identify abnormal patterns in networks, but faces significant challenges from label scarcity and extreme class imbalance. While graph contrastive learning offers a promising unsupervised solution, existing methods suffer from two critical limitations: random augmentations break semantic consistency in positive pairs, while naive negative sampling produces trivial, uninformative contrasts. We propose AC2L-GAD, an Active Counterfactual Contrastive Learning framework that addresses both limitations through principled counterfactual reasoning. By combining information-theoretic active selection with counterfactual generation, our approach identifies structurally complex nodes and generates anomaly-preserving positive augmentations alongside normal negative counterparts that provide hard contrasts, while restricting expensive counterfactual generation to a strategically selected subset. This design reduces computational overhead by approximately 65% compared to full-graph counterfactual generation while maintaining detection quality. Experiments on nine benchmark datasets, including real-world financial transaction graphs from GADBench, show that AC2L-GAD achieves competitive or superior performance compared to state-of-the-art baselines, with notable gains in datasets where anomalies exhibit complex attribute-structure interactions.