Dual-discriminative Graph Neural Network for Imbalanced Graph-level Anomaly Detection
https://www.craft.me/s/3BSooGwXHxSQ7L
Motivation & Contributions
由于异常问题的不平衡性，异常信息会被海量的正常图所稀释→提出PMI
节点异常属性、图异常子结构会影响到图的性质（以分子结构为例）→ 异常属性/结构感知方法（GCN、RWK）
观点：图异常的来源（通过什么东西体现的）：
特定节点。它们的某些属性，可能是额外的属性，也可能就是拓扑结构有关的属性
图属性和子结构——关键因素。异常属性、异常结构的存在是直接原因
（个人理解：这些东西在各自所属的范畴都是服从一个特殊的分布，与大部队不同。比如图属性，模型学到的正常属性服从某种分布，遇到差别大的，就能够认为是异常属性）
方法
如何获得图向量
anomalous attribute-aware GCN，把节点u本身的embedding和k跳内邻居节点的embedding进行拼接，得到节点u最终的embedding。这里的k跳是形成层级关系的
对于节点u而言，其中第0层h0（也就是自己）直接把xu经过MLP得到，后面几层的计算则是第二个式子；（A、H应该分别是NN、NM的，假设N是节点数量，M是属性embedding维数），那W就应当为M*?的。此外，K取几，就需要几个W。拼接完了之后做readout得到最终的h_G
anomalous substructure-aware Deep RWK。现有的GNN的聚合方式会导致在区分子结构的时候存在不足，于是采用RWK（随机游走核）。随机游走核大致做的事情是通过同时随机游走两个图，可以得到两段游走序列 ，以此衡量两个图的相似程度。本文预定义了几种异常子结构，将每个图都跟每个异常子结构计算核：【核的计算应该调包即可？】
然后，对于图G_i来说，可以组合出下面的向量：
经由一个MLP的到这部分的h_G。
至此，iGAD模型表示为f(G;Θ)，将上面获得的两部分向量拼接起来作为最后的h_GN
PMI Loss
数据量的不平衡会导致训练的问题，于是提出了一个新的损失函数PMI Point Mutual Information，可以建模输入图之间的PMI及其异常/正常性质。
其中log后面的式子如下（norm以后）：
对PMI的疑问：
该式子的设计过程不是很明白
感觉log(P_i) 像是一个定值，原文P (yi) is the proportion of anomalous graphs or normal graphs in the training set T。那这个应该是针对数据集而言的一个常数？
假如先去掉norm，把P代入L，是否就是L的最终用于计算的形状？但是并未看出有将y预测与y真实交叉的痕迹，直接是预测结果+log P(P_i)。---看了作者的代码后感觉他是不是写漏了？？应该是：
补充：因为label定义的是1/0，所以0的部分省略了
实验
本文用了这几个数据集（全部都是化学领域的，分子结构之类的）
SW-620
MOLT-4
PC-3
MCF-7
对比方法：
简介：
评价指标：
AUC
RECALL
RECALL (A)
F-SCORE
实验结果略（四个数据集，四个指标共16项只有3项非最优）
几个RQ
性能如何
PMI是否有益：作者将baseline加入了PMI，每个结果均有提升，故有益
属性异常感知的GCN性能如何
如果使用预定义的异常子结构，性能如何
异常结构感知的RWK是否学习到了异常子结构
随机游走序列最大长度对iGAD有何影响：需要取决于数据集（异常子结构的节点数量）。
（2-4——消融实验均给出了回复且正面）
评论区