Neues Verfahren erkennt Graphanomalien trotz fehlender Daten

In den letzten Jahren hat die unüberwachte Graphanomalieerkennung (GAD) stark an Bedeutung gewonnen. Ziel ist es, abnormale Muster in graphstrukturierten Daten zu identifizieren – und das ausschließlich mit unmarkierten Knotendaten.

Ein großes Problem bleibt jedoch die fehlende Information: In der Praxis fehlen häufig Knoteneigenschaften, Kanten oder beides, sei es durch Datenschutz, Messfehler oder dynamische Knotenerweiterungen. Traditionelle Imputationstechniken können dabei seltene Anomalien „reparieren“, sodass sie wie normale Knoten aussehen und die Detektion verfälschen.

Um diesen Herausforderungen zu begegnen, präsentiert die neue Studie das M²V‑UGAD‑Framework. Es nutzt einen Dual‑Pathway‑Encoder, der fehlende Knoteneigenschaften und die Graphstruktur unabhängig voneinander rekonstruiert und so Fehler in einer Ansicht verhindert, die die andere beeinträchtigen könnten.

Die beiden Repräsentationen werden anschließend in einem gemeinsamen latenten Raum zusammengeführt. Dort bilden normale Knoten ein kompaktes Inneres, während Anomalien an der äußeren Grenze liegen – ein klarer Anomalie‑Marker.

Ein weiterer innovativer Schritt ist das gezielte Sampling von latenten Codes knapp außerhalb des normalen Bereichs. Durch das Decodieren dieser Codes entstehen realistische „Hard‑Negative“ Beispiele, die die Entscheidungsgrenze schärfen und die Erkennungsgenauigkeit erhöhen.

Erste Experimente zeigen, dass M²V‑UGAD die Leistung bei unvollständigen Graphen deutlich verbessert und damit einen wichtigen Fortschritt für die Praxis darstellt.