Motif-Consistent Counterfactuals with Adversarial Refinement for Graph-Level Anomaly Detection

图级别的异常检测在不同领域中具有重要意义。为了提高检测性能，反事实图被用来学习因果关系以增强泛化能力。现有的大多数研究直接引入扰动（例如翻转边缘）来生成反事实图，这容易改变生成的示例的语义，并使它们偏离数据流形，导致次优性能。为了解决这些问题，我们提出了一种新颖的方法MotifCAR（具有对抗精炼的Motif一致性反事实），用于图级别的异常检测。该模型结合了一个图的模体，即包含标识（类别）信息的核心子图，以及另一个图的上下文子图（非模体），以产生原始的反事实图。然而，产生的原始图可能会失真，并且无法满足重要的反事实属性：真实性、有效性、接近性和稀疏性。为此，我们提出了一种基于生成对抗网络（GAN）的图优化器来优化原始反事实图。它采用鉴别器来指导生成器生成接近真实数据的图，即满足真实性属性。此外，我们设计了模体一致性来强制生成的图的模体与真实图的一致性，满足有效性属性。同时，我们设计了上下文损失和连接损失来控制上下文子图和新添加的链接，以满足接近性和稀疏性属性。因此，该模型可以生成高质量的反事实图。实验表明，MotifCAR的性能优于其他方法。

本文旨在解决图级别异常检测中，利用因果关系学习来提高泛化能力的问题。现有的研究直接引入扰动（例如翻转边缘）来生成反事实图，容易改变生成示例的语义并使其脱离数据流形，导致性能亚优。

本文提出了一种新颖的方法Motif-consistent Counterfactuals with Adversarial Refinement（MotifCAR），将一个图的核心子图（包含标识（类别）信息的子图）和另一个图的上下文子图（非主题）结合起来生成原始反事实图。然后，使用基于生成对抗网络（GAN）的图优化器来优化原始反事实图，以生成高质量的反事实图。

本文的亮点在于使用GAN优化器来生成高质量的反事实图，同时考虑了反事实图的Realism、Validity、Proximity和Sparsity等性质。实验结果表明，MotifCAR具有优异的性能。

近期的相关研究包括：1）利用因果关系学习来提高异常检测性能；2）使用GAN来生成图数据；3）使用对抗性训练来提高模型的鲁棒性。其中相关的论文包括：1）M. Yu等人的“Causal Feature Learning for Temporal Knowledge Graph Completion”；2）L. Li等人的“GraphNVP: An Invertible Flow-based Model for Generating Molecular Graphs”；3）J. Song等人的“Improving Adversarial Robustness via Guided Complement Entropy”。