技術要約：限定的な教師あり学習下における動的グラフのための識別的かつ汎用的な異常検知器（SDGAD）

1. 問題定義

動的グラフ異常検知（DGAD）は、金融詐欺検出、異常な社会的相互作用、サイバー攻撃の特定といったアプリケーションにおいて極めて重要である。しかし、既存の手法は、現実世界のシナリオにおける主に2つの課題に直面している：

1. ラベル付き異常の希少性： 異常は正常なインスタンスと比較して極めて稀であり、教師あり学習を困難にしている。
2. 現在のパラダイムの限界：
   • 教師なし手法： ラベルを必要としない一方で、異常スコアが狭い低値の範囲に崩壊し、正常サンプルと異常サンプルの間に大きな重複が生じるという、曖昧な決定境界を生み出すことが多い。これにより、閾値選択が不安定で信頼性の低いものになる。
   • 半教師あり手法： 限られたラベル付き異常を活用するが、これらは少数の利用可能なラベルの特定のパターンに過学習してしまうことが多い。その結果、オープンセットのシナリオにおいて、未知の異常タイプに対する汎化性能が低くなる。

本論文は、ラベルなし/未ラベルデータから識別的かつ汎用的な決定境界を学習しつつ、未知の異常への汎化性能を損なうことなく、限られたラベル付き異常を効果的に活用するというギャップに対処する。

2. 手法：SDGADフレームワーク

著者らは、既存の連続時間動的グラフ（CTDG）エンコーダと統合できるように設計された、モデルに依存しないフレームワークであるSDGADを提案している。このフレームワークは、3つのコアコンポーネントで構成される。

A. 残差表現エンコーディング（Residual Representation Encoding）

標準的なCTDGエンコーダは、現在のイベントと共に過去の相互作用を集約するため、多くの場合、長期的なコンテキストに支配された埋め込みが生成される。これは、稀な異常を検知するために不可欠な、現在の相互作用と直近の履歴との間の区別を弱めてしまう。

• メカニズム： SDGADは、現在のイベントを含まないノード埋め込みから、現在のイベントを含む埋め込みを差し引くことで、残差表現（$\Delta E$）を計算する。
• 目的： これにより、現在の相互作用によって導入された増分的な変化を明示的に保持する。正常な振る舞いは局所的な連続性（小さな残差）を示すが、異常はこの連続性を打破する（大きな残実は）、より識別的な信号を提供する。

B. 表現制限損失（Representation Restriction Loss）

異なる異常パターンは極めて異なるスケールの残差を誘発するため、統一された境界の学習を妨げる。著者らは、正常な表現を特定の幾何学的領域内に制約するための制限損失を導入している。

• 幾何学： 単一の原点中心の超球（質量が境界に集中する「ソープバブル現象」に陥りやすい）ではなく、この手法は、正常な残差を同心円状の2つの超球（内半径 $r_{min}$ と外半径 $r_{max}$）によって境界付けられた区間内に制約する。
• 損失関数：
  • 正常サンプル： 区間 $[r_{min}, r_{max}]$ の外側に存在する場合にペナルティを与え、一貫したスケールを持つコンパクトな領域へと引き寄せる。
  • 異常サンプル： 外側の超球の内側（具体的には $r_{max}$ を超えるマージン $\Delta r$ 以内）に存在する場合にペナルティを与え、正常領域の外側へと押し出す。
• 適応： i.i.d.データを想定する従来のバイ・ハイパースフィア手法とは異なり、このアプローチは動的グラフの非i.i.d.な性質に合わせて設計されており、エンドツーエンドで最適化される。

C. バイ・バウンダリ最適化（Bi-Boundary Optimization）

明示的かつ堅牢な決定境界を構築するために、本フレームワークは、正常サンプルの対数尤度分布をモデリングするための密度推定器として**正規化流（Normalizing Flow）**を採用している。

• 課題： 高次元空間において、正規化流は分布外の入力に対して高い尤度を割り当てる可能性があり、境界を曖昧にする。
• 戦略： 著者らは、単一の閾値ではなく、正常境界（$B_n$）と異常境界（$B_a = B_n - \tau$）を定義し、バッファ領域（マージン $\tau$）を作成するバイ・バウンダリ最適化戦略を提案している。
• 目的： 損失関数（$L_{BO}$）は、ソフトプラス関数を使用して、正常サンプルが $B_n$ 以上に、異常サンプルが $B_a$ 以下になるように強制する。これにより明確なマージンが作成され、境界の曖昧さが軽減され、閾値選択に対する堅牢性が向上する。

全体的な学習目的： 全体の損失は、正規化流の最大尤度損失（$L_{ML}$）、表現制限損失（$L_{RR}$）、およびバイ・バウンダリ最適化損失（$L_{BO}$）を組み合わせたものである。

3. 主な貢献

1. SDGADフレームワーク： 教師なし設定および限定的な教師あり設定の両方で効果的に機能する、汎用的なモデルに依存しないフレームワーク。
2. 新規コンポーネント：
   • 異常に関連する偏差を捉えるための残差表現エンコーディングメカニズム。
   • スケールを正規化し分離性を向上させるための、同心円状の超球を用いた表現制限損失。
   • 明示的で堅牢な決定境界を学習するための、正規化流を用いたバイ・バウンダリ最適化戦略。
3. 包括的な評価： 3つの設定（教師なし、限定的な教師あり、およびフューショット）において、6つのデータセット（実世界のデータおよび合成された異常を含む）を用いた広範な実験。

4. 実験結果

フレームワークは、離散時間（DTDG）および連続時間（CTDG）の手法を含む15のベースラインと比較評価された。

• 性能： SDGADは、多様なデータセット（Wikipedia, Reddit, MOOC, Enron, UCI, LastFM）および評価指標（AUROC, AP, F1）において、一貫してすべてのベースラインを上回った。
• 堅牢性：
  • **完全な教師なし設定（S3）**において、SDGADは限定的な教師あり設定（S1）と同等の性能を達成し、ラベルなしで識別的な境界を学習できる能力を示した。
  • **フューショット設定（S2）**において、フレームワークはわずか1〜3個のラベル付き異常しかなくても効果を維持したが、半教師ありのベースラインは不安定な学習と高い分散を示した。
• アブレーション研究： 3つのコアコンポーネント（残差エンコーディング、制限損失、またはバイ・バウンダリ最適化）のいずれかを削除すると、特にF1スコアとスコアの分離性において性能低下を招いた。
• 可視化： SDGADによるスコア分布は、正常サンプルと異常サンプルの間の明確な分離を示したが、ベースラインはしばしばゼロ付近にスコアが崩壊し、閾値選択を困難にしていた。

5. 意義と主張

本論文は、SDGADがDGADにおける根本的な限界、すなわち「限定的な教師あり学習を活用することと、未知の異常への汎化性能を維持することのトレードオフ」に対処していると主張している。残差エンコーディングとバイ・バウンダリ最適化を通じて識別的な境界を明示的に学習することにより、本手法は以下を提供する：

• 安定した決定ルール： 曖昧な境界を持つ教師なし手法とは異なり、SDGADは固定または階層的なカットオフを必要とする高リスクなアプリケーションに適した、適切に較正されたスコアを提供する。
• 汎化性能： 希少なラベル付き異常の特定のパターンへの過学習を回避し、オープンセットのシナリオにおいても堅牢に動作する。
• モデルへの非依存性（Model Agnosticism）： 本フレームワークは、既存の様々なCTDGエンコーダ（例：TCL, CAWN, DyGFormer）とシームレスに統合でき、基礎となるアーキテクチャの完全な再設計を必要とせずに、それらの異常検知能力を強化できる。

著者らは、一部のデータセット（LastFMなど）における合成された異常は、単純な構造的手がかりにより検出しやすい可能性があると述べているが、多様な設定におけるフレームワークの堅牢性と、実世界の異常を扱う能力は、その実用的な有用性を強調している。今後の課題として、合成的な異常プロトコルの洗練および、異常の類型化（anomaly typing）への拡張が示唆されている。