혁신적인 그래프 기반 모델 AnomalyGFM: 제로/퓨샷 이상 탐지의 새 지평을 열다

AnomalyGFM은 제로/퓨샷 그래프 이상 탐지를 위한 혁신적인 그래프 기반 모델로, 기존 모델의 한계를 극복하고 다양한 그래프 데이터셋에서 뛰어난 성능을 보입니다. 데이터 독립적인 학습 가능한 프로토타입을 활용하여 제로샷 추론과 퓨샷 프롬프트 튜닝을 지원하며, 대규모 그래프에도 적용 가능합니다.

최근 그래프 이상 탐지(GAD)는 그래프 내 대부분의 노드와 다른 비정상 노드를 식별하는 기술로 주목받고 있습니다. 기존의 일반적인 그래프 모델들은 다양한 그래프 작업에서 뛰어난 성능을 보였지만, GAD 작업에는 일반화에 어려움을 겪었습니다. 이는 그래프의 비정상 패턴이 드물고, 불규칙적이며, 이질적이기 때문입니다.

Qiao Hezhe를 비롯한 연구팀은 이러한 문제를 해결하기 위해 AnomalyGFM, 즉 제로샷 추론과 퓨샷 프롬프트 튜닝을 지원하는 GAD 지향적 그래프 기반 모델을 제안했습니다. 핵심 통찰은 다양한 그래프에서 효과적인 제로/퓨샷 GAD를 위해서는 정상 및 비정상 클래스에 대한 그래프와 무관한 표현이 필요하다는 점입니다.

AnomalyGFM은 데이터에 독립적인 학습 가능한 정상 및 비정상 클래스 프로토타입을 노드 표현 잔차(노드의 이웃으로부터의 표현 편차)와 정렬하도록 사전 훈련됩니다. 이 잔차 특징은 노드 정보를 통합된 특징 공간으로 투영하여, 서로 다른 그래프의 노드 이상을 일관되게 측정할 수 있게 합니다. 이는 그래프와 무관한, 차별적인 정상 및 비정상 클래스 프로토타입을 학습하는 원동력이 되어, 매우 대규모 그래프를 포함한 새로운 그래프에 대한 제로샷 GAD를 가능하게 합니다.

만약 새로운 그래프에 퓨샷 레이블이 있는 정상 노드가 있다면, AnomalyGFM은 이러한 노드를 활용하여 더 나은 적응을 위해 프롬프트 튜닝을 지원합니다. 11개의 널리 사용되는 GAD 데이터셋에 대한 포괄적인 실험 결과, AnomalyGFM은 제로샷 및 퓨샷 GAD 설정 모두에서 최첨단 경쟁 방법을 크게 능가하는 것으로 나타났습니다. 이는 GAD 분야에 획기적인 발전을 가져올 것으로 기대됩니다. AnomalyGFM의 등장으로, 그래프 데이터 분석의 새로운 시대가 열릴 것으로 예상됩니다. 앞으로 AnomalyGFM이 어떻게 다양한 분야에 적용되어 실질적인 문제 해결에 기여할지 주목할 만합니다.

핵심: AnomalyGFM은 그래프의 비정상 패턴을 효과적으로 학습하고, 제로샷 및 퓨샷 설정 모두에서 뛰어난 성능을 보이는 혁신적인 그래프 기반 모델입니다. 이는 다양한 분야에서 그래프 데이터 분석의 발전에 크게 기여할 것으로 기대됩니다.