DeNoise: Robustes Graph‑Representation‑Training für Anomalie‑Erkennung

Mit dem rasanten Anstieg von graphbasierten Daten in kritischen Bereichen wird die unsupervised Graph‑Level Anomaly Detection (UGAD) immer wichtiger. Ziel ist es, komplette Graphen zu identifizieren, die von normalen Verhaltensmustern abweichen. Traditionelle Graph Neural Network‑Ansätze gehen jedoch davon aus, dass das Trainingsset ausschließlich aus normalen Graphen besteht – ein Szenario, das in der Praxis selten zutrifft. Schon geringe Kontaminationen mit anomalen Graphen können die erlernten Repräsentationen verfälschen und die Leistung stark beeinträchtigen.

Um diesem Problem zu begegnen, stellt das neue Framework DeNoise ein robustes UGAD‑Modell vor, das speziell für verrauschte Trainingsdaten entwickelt wurde. DeNoise kombiniert einen Graph‑Level‑Encoder, einen Attribut‑Decoder und einen Strukture‑Decoder in einem adversarialen Lernprozess, um rauschresistente Einbettungen zu erzeugen. Zusätzlich nutzt es einen „Encoder‑Anchor‑Alignment“-Mechanismus, der hochinformative Knoteneinbettungen aus normalen Graphen in alle Graphen‑Einbettungen einfließen lässt. Dadurch wird die Repräsentationsqualität verbessert und die Beeinflussung durch Anomalien reduziert.

Ein kontrastiver Lernschritt komprimiert die Einbettungen normaler Graphen und trennt gleichzeitig anomale Graphen im latenten Raum. Umfangreiche Experimente auf acht realen Datensätzen zeigen, dass DeNoise unter verschiedenen Rauschintensitäten zuverlässig graph‑level‑Repräsentationen lernt und die führenden UGAD‑Baselines deutlich übertrifft.