Die Studie untersucht die spektralen Eigenschaften von normalen und anomalen Graphen und zeigt, dass der Rayleigh-Quotient ein wichtiger Indikator für die Unterscheidung zwischen beiden Klassen ist. Basierend auf dieser Beobachtung wird RQGNN, ein neuartiges GNN-Framework, entwickelt, das aus zwei Hauptkomponenten besteht:
Rayleigh Quotient Learning Component (RQL): Explizites Erfassen des Rayleigh-Quotienten jedes Graphen, um die Unterschiede zwischen normalen und anomalen Graphen zu modellieren.
Chebyshev Wavelet GNN with RQ-Pooling (CWGNN-RQ): Implizites Erfassen der spektralen Eigenschaften der Graphen durch Verwendung von Chebyshev-Wavelets und einer neuartigen spektralbezogenen Pooling-Funktion (RQ-Pooling).
Die Kombination dieser beiden Komponenten ermöglicht es RQGNN, die zugrundeliegenden spektralen Merkmale von Graphanomalien effektiv zu erfassen und so die Leistung bei der Erkennung von Graphanomalien deutlich zu verbessern. Umfangreiche Experimente auf 10 realen Datensätzen zeigen, dass RQGNN die besten Konkurrenzmodelle um 6,74% im Macro-F1-Score und 1,44% im AUC-Wert übertrifft.
In eine andere Sprache
aus dem Quellinhalt
arxiv.org
Wichtige Erkenntnisse aus
by Xiangyu Dong... um arxiv.org 03-29-2024
https://arxiv.org/pdf/2310.02861.pdfTiefere Fragen