Rethinking Feature Alignment in Generalist Graph Anomaly Detection: A Relational Fingerprint-based Approach
यह शोधपत्र ReFi-GAD का प्रस्ताव करता है, जो एक सामान्यवादी ग्राफ विसंगति पहचान (graph anomaly detection) दृष्टिकोण है जो एक सार्वभौमिक, अर्थ-जागरूक रिलेशनल फिंगरप्रिंट का उपयोग करके मौजूदा फीचर संरेखण विधियों की अर्थ संबंधी सीमाओं को दूर करता है ताकि प्रासंगिक और संरचनात्मक दोनों दृष्टिकोणों से विसंगति संकेतों को एनकोड किया जा सके, जिससे अनदेखे ग्राफों में उत्कृष्ट प्रदर्शन प्राप्त किया जा सके।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक सुरक्षा गार्ड हैं जो भीड़ में किसी चोर को पहचानने की कोशिश कर रहे हैं। अतीत में, आपको विशेष रूप से एक लाइब्रेरी (जहाँ लोग शांत रहते हैं और चश्मा पहनते हैं) या एक स्टेडियम (जहाँ लोग शोर मचाते हैं और जर्सी पहनते हैं) में चोरों को खोजने के लिए प्रशिक्षित किया गया होगा। यदि आप अपने "लाइब्रेरी चोर" प्रशिक्षण का उपयोग "स्टेडियम" में चोर को खोजने के लिए करने की कोशिश करेंगे, तो आप संभवतः विफल हो जाएंगे क्योंकि कपड़े, शोर और व्यवहार पूरी तरह से अलग होते हैं।
यही समस्या वर्तमान कंप्यूटर प्रणालियों के साथ है जो ग्राफ (जुड़े हुए डेटा के नेटवर्क) में "विसंगतियों" (अजीब या बुरे नोड्स) को खोजने की कोशिश करती हैं। ये सिस्टम आमतौर पर एक विशिष्ट प्रकार के नेटवर्क पर प्रशिक्षित होते हैं और फिर एक पूरी तरह से अलग नेटवर्क को देखने पर संघर्ष करते हैं। वे डेटा को एक जैसा दिखाने के लिए उसे दबाने (जैसे एक साधारण पैमाने का उपयोग करके पंख और ईंट दोनों को मापने की कोशिश करना) की कोशिश करते हैं, लेकिन इससे डेटा का महत्वपूर्ण अर्थ खो जाता है।
यह पेपर REFI-GAD नामक एक नई प्रणाली पेश करता है जो इसे डेटा को देखने के तरीके को बदलकर हल करता है। यहाँ इसका विवरण दिया गया है:
1. समस्या: सेब की तुलना संतरे से करना
मौजूदा तरीके विभिन्न नेटवर्कों को केवल विशेषताओं (डायमेंशन) की संख्या को मिलाकर संरेखित करने की कोशिश करते हैं।
- पेपर का उदाहरण: कल्पना कीजिए कि आप एक Cora डेटासेट (जो शोध पत्रों से कीवर्ड की एक विशाल सूची की तरह दिखता है) की तुलना YelpChi डेटासेट (जो स्टार रेटिंग और समीक्षा सांख्यिकी की एक छोटी सूची की तरह दिखता है) से करने की कोशिश कर रहे हैं।
- विफलता: वर्तमान तरीके इन दो बहुत अलग सूचियों को एक ही आकार के बॉक्स में फिट करने के लिए एक गणितीय ट्रिक (जैसे PCA) का उपयोग करते हैं। लेकिन सिर्फ इसलिए कि वे एक ही बॉक्स में फिट होते हैं, इसका मतलब यह नहीं है कि उनका अर्थ भी एक ही है। यह एक "तीखापन" (spicy) रेटिंग और एक "रंग" की रेटिंग को एक ही कॉलम में जबरदस्ती डालने जैसा है; कंप्यूटर भ्रमित हो जाता है, और सिस्टम वास्तव में नए डेटा को देखते समय विसंगतियों को खोजने में और भी खराब हो जाता है। इसे "नेगेटिव ट्रांसफर" कहा जाता है।
2. समाधान: "रिलेशनल फिंगरप्रिंट" (REFI)
कच्चे डेटा (विशिष्ट शब्दों या संख्याओं) को देखने के बजाय, लेखक कहते हैं: "आइए यह देखना बंद करें कि नोड क्या है, और यह देखना शुरू करें कि वह अपने पड़ोसियों के सापेक्ष कैसा व्यवहार करता है।"
उन्होंने एक रिलेशनल फिंगरप्रिंट (REFI) बनाया है। इसे एक सार्वभौमिक आईडी कार्ड के रूप में सोचें जो किसी व्यक्ति के सामाजिक व्यवहार का वर्णन करता है, चाहे वह लाइब्रेरी में हो या स्टेडियम में। इस फिंगरप्रिंट में पांच विशिष्ट "डायमेंशन" (या सुराग) हैं:
- पोजीशनल कंसिस्टेंसी (स्थितिगत निरंतरता): क्या यह व्यक्ति अपने दोस्तों से दूर खड़ा है? (एक विसंगति अलग-थलग हो सकती है)।
- डायरेक्शनल कंसिस्टेंसी (दिशात्मक निरंतरता): क्या यह व्यक्ति अपने दोस्तों की तुलना में अलग "दिशा" या विषय पर बात कर रहा है? (एक विसंगति कुछ अजीब कह सकती है)।
- ग्लोबल डायरेक्शन (वैश्विक दिशा): क्या यह व्यक्ति केवल अपने तत्काल दोस्तों से ही नहीं, बल्कि पूरी भीड़ से अलग दिखता है?
- डिग्री (लोकप्रियता): क्या यह व्यक्ति बहुत अधिक लोगों से जुड़ा है (एक स्पैमर) या बहुत कम लोगों से (एक भूत/ghost)?
- क्लस्टरिंग (क्लिकिशनेस/गुटबाजी): क्या उसके दोस्त आपस में भी दोस्त हैं? (एक विसंगति एक अजीब, घनिष्ठ समूह में हो सकती है जो बाकी लोगों में फिट नहीं बैठता)।
जादुई ट्रिक: सिस्टम इन पांच सुरागों को एक रैंक में बदल देता है। यह यह कहने के बजाय कि "इस नोड के 500 कनेक्शन हैं," यह कहता है कि "यह नोड कनेक्शन के मामले में शीर्ष 1% में है।" यह फिंगरप्रिंट को सार्वभौमिक बनाता है। एक छोटे नेटवर्क में "शीर्ष 1%" नोड का वही अर्थ है जो एक बड़े नेटवर्क में "शीर्ष 1%" नोड का होता है।
3. जासूस: मॉडल
एक बार जब सिस्टम के पास ये सार्वभौमिक फिंगरप्रिंट आ जाते हैं, तो यह बुरे तत्वों को खोजने के लिए एक स्मार्ट जासूस मॉडल (ट्रांसफॉर्मर पर आधारित, वही तकनीक जो उन्नत AI चैटबॉट्स के पीछे है) का उपयोग करता है।
- "साझा" मस्तिष्क: मॉडल सीखता है कि सभी नेटवर्कों में "संदिग्ध व्यवहार" कैसा दिखता है।
- "रिफाइनमेंट" (परिष्करण) चरण: जब मॉडल एक नए नेटवर्क को देखता है, तो वह अपने फोकस को बारीक करने के लिए कुछ उदाहरणों (एक "सपोर्ट सेट") का उपयोग करता है। वह पूछता है, "इस विशिष्ट भीड़ में, इन पांच सुरागों में से किस पर सबसे अधिक ध्यान देना चाहिए?"
- उदाहरण: यदि आप लाइब्रेरी में चोर की तलाश कर रहे हैं, तो आप "शांति" पर ध्यान केंद्रित करते हैं। यदि आप स्टेडियम में देख रहे हैं, तो आप "गतिविधि" पर ध्यान केंद्रित करते हैं। मॉडल स्वचालित रूप से अपने फोकस को अनुकूलित करता है।
4. परिणाम
लेखकों ने 14 अलग-अलग वास्तविक दुनिया के नेटवर्कों (सोशल मीडिया से लेकर अकादमिक उद्धरणों और ई-कॉमर्स तक) पर इसका परीक्षण किया।
- परिणाम: उनकी विधि (REFI-GAD) सभी पिछले "जनरलिस्ट" तरीकों की तुलना में काफी बेहतर थी।
- मुख्य जीत: अन्य तरीकों के विपरीत, जो अक्सर नए डेटा पर जाने पर और भी खराब हो जाते थे (नेगेटिव ट्रांसफर), REFI-GAD लगातार बेहतर होता गया। इसने बिना पुन: प्रशिक्षित हुए एक प्रकार के ग्राफ से दूसरे प्रकार के ग्राफ में अपने ज्ञान को सफलतापूर्वक स्थानांतरित किया।
सारांश
यह पेपर तर्क देता है कि किसी भी नेटवर्क में अजीब नोड्स को खोजने के लिए, हमें कच्चे डेटा को एक जैसा बनाने की कोशिश नहीं करनी चाहिए। इसके बजाय, हमें प्रत्येक नोड को एक सार्वभौमिक व्यवहार संबंधी फिंगरप्रिंट (यह कि वह अपने पड़ोसियों के साथ कैसे संबंधित है) में अनुवादित करना चाहिए और फिर विसंगतियों को पहचानने के लिए एक स्मार्ट, अनुकूलन योग्य मॉडल का उपयोग करना चाहिए। यह सिस्टम को एक "वन-साइज़-फिट्स-ऑल" जासूस बनाने की अनुमति देता है जो किसी भी ग्राफ का सामना करने पर काम कर सके।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।