ترجمه فارسی مقاله تشخیص ناهنجاری نمودار عمیق: یک بررسی و دیدگاه های جدید

چکیده

Graph anomaly detection (GAD), which aims to identify unusual graph instances (nodes, edges, subgraphs, or graphs), has attracted increasing attention in recent years due to its significance in a wide range of applications. Deep learning approaches, graph neural networks (GNNs) in particular, have been emerging as a promising paradigm for GAD, owing to its strong capability in capturing complex structure and/or node attributes in graph data. Considering the large number of methods proposed for GNN-based GAD, it is of paramount importance to summarize the methodologies and findings in the existing GAD studies, so that we can pinpoint effective model designs for tackling open GAD problems. To this end, in this work we aim to present a comprehensive review of deep learning approaches for GAD. Existing GAD surveys are focused on task-specific discussions, making it difficult to understand the technical insights of existing methods and their limitations in addressing some unique challenges in GAD. To fill this gap, we first discuss the problem complexities and their resulting challenges in GAD, and then provide a systematic review of current deep GAD methods from three novel perspectives of methodology, including GNN backbone design, proxy task design for GAD, and graph anomaly measures. To deepen the discussions, we further propose a taxonomy of 13 fine-grained method categories under these three perspectives to provide more in-depth insights into the model designs and their capabilities. To facilitate the experiments and validation, we also summarize a collection of widely-used GAD datasets and empirical comparison. We further discuss multiple open problems to inspire more future high-quality research. A continuously updated repository for datasets, links to the codes of algorithms, and empirical comparison is available at https://github.com/mala-lab/Awesome-Deep-Graph-Anomaly-Detection.

چکیده به فارسی (ترجمه ماشینی)

تشخیص ناهنجاری نمودار (GAD) ، که هدف آن شناسایی نمونه های نمودار غیرمعمول (گره ها ، لبه ها ، زیرگرافها یا نمودارها) است ، به دلیل اهمیت آن در طیف گسترده ای از برنامه ها ، در سالهای اخیر توجه فزاینده ای را به خود جلب کرده است.رویکردهای یادگیری عمیق ، به ویژه شبکه های عصبی نمودار (GNN) ، به دلیل توانایی قوی آن در ضبط ساختار پیچیده و/یا ویژگی های گره در داده های نمودار ، به عنوان یک الگوی امیدوار کننده برای GAD ظاهر شده اند.با توجه به تعداد زیادی از روشهای ارائه شده برای GAD مبتنی بر GNN ، خلاصه کردن روش ها و یافته های موجود در مطالعات موجود GAD از اهمیت ویژه ای برخوردار است ، تا بتوانیم طرح های مدل موثر را برای مقابله با مشکلات GAD باز مشخص کنیم.برای این منظور ، در این کار هدف ما ارائه یک مرور جامع از رویکردهای یادگیری عمیق برای GAD است.نظرسنجی های موجود GAD در بحث های خاص وظیفه متمرکز است و درک بینش فنی روشهای موجود و محدودیت های آنها در پرداختن به برخی از چالش های منحصر به فرد در GAD را دشوار می کند.برای پر کردن این شکاف ، ما ابتدا در مورد پیچیدگی های مشکل و چالش های حاصل از آنها در GAD بحث می کنیم ، و سپس یک بررسی منظم از روشهای فعلی GAD فعلی از سه دیدگاه جدید روش شناسی ، از جمله طراحی ستون فقرات GNN ، طراحی وظیفه پروکسی برای GAD و ناهنجاری نمودار ارائه می دهیم.اقداماتبرای تعمیق بحث و گفتگو ، ما بیشتر طبقه بندی 13 دسته روش ریز دانه تحت این سه منظر را پیشنهاد می کنیم تا بینش عمیق تری در مورد طرح های مدل و قابلیت های آنها ارائه دهیم.برای تسهیل آزمایشات و اعتبار سنجی ، ما همچنین مجموعه ای از مجموعه داده های GAD و مقایسه تجربی را خلاصه می کنیم.ما بیشتر در مورد چندین مشکل باز برای الهام بخشیدن به تحقیقات با کیفیت بالا در آینده بحث می کنیم.یک مخزن به طور مداوم به روز شده برای مجموعه داده ها ، پیوندها به کدهای الگوریتم ها ، و مقایسه تجربی در https://github.com/mala-lab/awesome-deep-graph-anomaly-detection در دسترس است.