혁신적인 그래프 기반 이상치 탐지 모델 DeGEM 등장!

Chen Yuhan 등 연구진이 개발한 DeGEM은 그래프 데이터의 노드 간 상호 의존성과 이질성 문제를 해결하여 기존 OOD 탐지 방법의 한계를 극복한 혁신적인 모델입니다. MLE 기반 EBM 학습과 에너지 전파 제거를 통해 이질적 그래프에서도 우수한 성능을 보이며, 향후 다양한 분야에 적용될 것으로 기대됩니다.

그래프 데이터의 이상치 탐지: 새로운 지평을 연 DeGEM

최근 이미지 분야에서 활발히 연구되고 있는 이상치 탐지(Out-of-Distribution, OOD) 기술이 그래프 데이터로 확장되는 데 어려움을 겪고 있습니다. 이미지 데이터와 달리 그래프 데이터는 노드 간의 복잡한 상호 의존성을 가지고 있기 때문입니다. 특히, 이질적 그래프(heterophilic graphs)에서는 노드들이 서로 비슷한 특징을 공유하지 않아 기존 방식을 적용하기가 더욱 어렵습니다.

이러한 문제를 해결하고자, Chen Yuhan 등 연구진은 새로운 그래프 기반 에너지 모델인 DeGEM(Decoupled Graph Energy-based Model) 을 제안했습니다. 기존의 GNNSafe 모델은 분류 로짓에서 노드 에너지를 도출하고 에너지 전파에 의존하는데, 이는 데이터 분포 모델링에 대한 특별한 훈련 없이 이루어지며, 특히 이질적 그래프에서는 성능 저하를 초래합니다.

DeGEM은 이러한 문제점을 해결하기 위해 두 가지 핵심 전략을 사용합니다.

1. 최대우도추정(MLE)을 이용한 EBM 훈련: 데이터 분포 모델링을 강화하여 OOD 데이터 인식 능력을 향상시킵니다.
2. 에너지 전파 제거: 이질성 문제를 해결하고 노드 간 상호 의존성에 대한 제약을 줄입니다.

하지만 MLE 기반 EBM 훈련은 노드 특징과 이웃 노드에 대한 MCMC 샘플링을 필요로 하며, 이는 노드 간의 상호 의존성과 불연속적인 그래프 토폴로지로 인해 어려움을 야기합니다. DeGEM은 이러한 샘플링 문제를 해결하기 위해 그래프 인코더와 에너지 헤드로 학습 과정을 분리합니다. 그래프 인코더는 토폴로지 정보를 활용하여 노드 표현을 생성하고, 에너지 헤드는 잠재 공간에서 작동하여 효율적인 학습을 가능하게 합니다.

실험 결과, DeGEM은 훈련 과정에서 OOD 데이터를 사용하지 않고도 기존 최첨단 방법들을 능가하는 성능을 보였습니다. 특히, 이질적 그래프에서 기존 방법보다 평균 AUROC(Area Under the Receiver Operating Characteristic curve)를 20.29% 향상시켰습니다. 이는 OOD 데이터를 사용하여 훈련된 방법들보다도 더 나은 성능임을 의미합니다. 연구진은 DeGEM의 코드를 GitHub(https://github.com/draym28/DeGEM)에 공개하여 누구나 활용할 수 있도록 했습니다.

DeGEM은 그래프 기반 이상치 탐지 분야에 새로운 가능성을 제시하며, 향후 다양한 그래프 데이터 분석 및 응용 분야에 널리 활용될 것으로 기대됩니다.