ترجمه فارسی مقاله به سوی تشخیص ناهنجاری نمودار چند نمای با خوشه بندی متضاد هدایت شده با شباهت

چکیده

Anomaly detection on graphs plays an important role in many real-world applications. Usually, these data are composed of multiple types (e.g., user information and transaction records for financial data), thus exhibiting view heterogeneity. Therefore, it can be challenging to leverage such multi-view information and learn the graph’s contextual information to identify rare anomalies. To tackle this problem, many deep learning-based methods utilize contrastive learning loss as a regularization term to learn good representations. However, many existing contrastive-based methods show that traditional contrastive learning losses fail to consider the semantic information (e.g., class membership information). In addition, we theoretically show that clustering-based contrastive learning also easily leads to a sub-optimal solution. To address these issues, in this paper, we proposed an autoencoder-based clustering framework regularized by a similarity-guided contrastive loss to detect anomalous nodes. Specifically, we build a similarity map to help the model learn robust representations without imposing a hard margin constraint between the positive and negative pairs. Theoretically, we show that the proposed similarity-guided loss is a variant of contrastive learning loss, and how it alleviates the issue of unreliable pseudo-labels with the connection to graph spectral clustering. Experimental results on several datasets demonstrate the effectiveness and efficiency of our proposed framework.

چکیده به فارسی (ترجمه ماشینی)

تشخیص ناهنجاری در نمودارها نقش مهمی در بسیاری از برنامه های کاربردی در دنیای واقعی دارد.معمولاً این داده ها از انواع مختلفی تشکیل شده اند (به عنوان مثال ، اطلاعات کاربر و سوابق معامله برای داده های مالی) ، بنابراین ناهمگونی نمایش را نشان می دهند.بنابراین ، استفاده از چنین اطلاعات چند منظوره و یادگیری اطلاعات متنی نمودار برای شناسایی ناهنجاری های نادر می تواند چالش برانگیز باشد.برای مقابله با این مشکل ، بسیاری از روشهای عمیق مبتنی بر یادگیری از از دست دادن یادگیری متضاد به عنوان یک اصطلاح منظم برای یادگیری بازنمایی های خوب استفاده می کنند.با این حال ، بسیاری از روشهای مبتنی بر متضاد موجود نشان می دهد که ضررهای یادگیری متضاد سنتی نمی توانند اطلاعات معنایی را در نظر بگیرند (به عنوان مثال ، اطلاعات عضویت در کلاس).علاوه بر این ، ما از لحاظ نظری نشان می دهیم که یادگیری متضاد مبتنی بر خوشه بندی نیز به راحتی منجر به یک راه حل زیر بهینه می شود.برای پرداختن به این موضوعات ، در این مقاله ، ما یک چارچوب خوشه بندی مبتنی بر AutoEncoder را که به طور منظم توسط یک از دست دادن متضاد با هدایت شباهت برای تشخیص گره های غیر عادی ارائه شده است ، پیشنهاد کردیم.به طور خاص ، ما یک نقشه شباهت می سازیم تا به مدل کمک کنیم تا بازنمایی های قوی را بیاموزد بدون اینکه محدودیت حاشیه ای سخت بین جفت های مثبت و منفی را تحمیل کند.از لحاظ تئوریکی ، ما نشان می دهیم که از دست دادن شباهت پیشنهادی نوعی از دست دادن یادگیری متضاد ، و چگونگی کاهش مسئله برچسب های شبه غیرقابل اعتماد با اتصال به خوشه بندی طیفی نمودار است.نتایج تجربی در چندین مجموعه داده ، اثربخشی و کارآیی چارچوب پیشنهادی ما را نشان می دهد.