Stel je het internet niet voor als een platte lijst met websites, maar als een enorme, bruisende stad. In deze stad zijn verschillende soorten gebouwen (nodes) zoals winkels, mensen en banken, verbonden door verschillende soorten wegen (edges) zoals vriendschappen, transacties of berichten. Deze complexe kaart wordt een Heterogene Graaf genoemd. Stel je nu voor dat er ergens in deze stad een paar gebouwen zijn die in het geheim van plan zijn om de boel af te branden of geld te stelen. Dit zijn anomalieën. Het vinden ervan is als het zoeken naar een rode baksteen in een stapel blauwe bakstenen, maar de rode baksteen draagt een blauwe jas en verstopt zich in een blauw gebouw.

Lange tijd hebben computerwetenschappers tools genaamd Graph Neural Networks (GNNs) gebruikt om deze stad te patrouilleren. Denk aan deze netwerken als een team detectives die leren door naar de buren te luisteren. Als een gebouw wordt omring respect van verdachte buren, krijgt de detective een onderbuikgevoel. Echter, de meeste van deze detectives werden getraind op eenvoudige, saaie steden waar elk gebouw er hetzelfde uitzag. Wanneer ze probeerden te patrouilleren in onze complexe, gemengde stad, raakten ze in de war. Ze misten de subtiele aanwijzingen omdat ze de details te veel afvlakten, waardoor alles er hetzelfde uit ging zien (een probleem dat "over-smoothing" wordt genoemd), en ze negeerden de zeldzame, lastige gevallen omdat er veel minder van waren vergeleken met de normale gevallen.

Hier komt een nieuwe paper met een frisse set detective-tools. De onderzoekers, onder leiding van Xiping Li en collega's, introduceren een systeem genaamd ChiGAD. Ze realiseerden zich dat om de boeven te vangen in een complexe stad, je een filter nodig hebt dat de hoge, vreemde geluiden kan horen die normale filters negeren. Ze hebben een speciaal wiskundig hulpmiddel uitgevonden genaamd een Chi-Square Wavelet Filter. Stel je dit filter voor als een supergevoelige microfoon die niet alleen luistert naar het algemene gezoem van de stad, maar die specifiek de scherpe piepjes van een verborgen alarm kan oppikken. Door dit te combineren met een slimme manier om de verschillende soorten gebouwen te verwerken en een scoresysteem dat extra aandacht besteedt aan de moeilijkst te vinden verdachten, slaagt ChiGAD erin om de anomalieën op te sporen die andere systemen missen.

De Nieuwe Gereedschapskist van de Detective

Het kernprobleem waar deze paper zich mee bezighoudt, is dat bestaande methoden alle verbindingen in een graaf op dezelfde manier behandelen, zoals het gebruiken van één enkel type net om vissen, vogels en insecten te vangen. In een Heterogeneous Information Network (HIN) heb je verschillende soorten nodes (zoals gebruikers, producten en transacties) en verschillende soorten links (zoals "gekocht", "geliked" of "is een vriend van"). De auteurs stellen dat eerdere methoden om drie redenen faalden:

1. Ze konden de unieke "frequentie" of het patroon van verschillende soorten verbindingen niet vastleggen (zoals het verschil tussen een stabiele vriendschap en een plotselinge, verdachte transactie).
2. Ze verloren de "hoog-frequente" details (de scherpe, plotselinge veranderingen) bij het proberen samen te voegen van verschillende soorten data, wat effectief de aanwijzingen vervaagde.
3. Ze hadden moeite om te leren van de zeldzame boeven omdat de data zo ongebalanceerd was (voornamelijk goede mensen, zeer weinig slechte mensen).

Om dit op te lossen, bouwde het team ChiGAD, dat uit drie delen bestaat, elk als een gespecialiseerd gadget in de riem van een detective.

1. De Multi-Graph Chi-Square Filter: Afstemmen op de juiste zender
Eerst bekijkt het systeem de stad door verschillende lenzen genaamd meta-paths. Een meta-path is als een specifieke route die je door de stad kunt nemen, zoals "Gebruiker → Koop $\rightarrow$ Product $\rightarrow$ Gekocht door $\rightarrow$ Gebruiker." Elke route vertelt een ander verhaal. De auteurs merkten op dat verschillende routes verschillende "frequenties" van activiteit hebben. Sommige routes zijn stabiel en traag; andere zijn grillig en snel.

In plaats van één generieke filter voor alle routes te gebruiken, gebruikt ChiGAD een Chi-Square Wavelet Filter. Denk hierbij aan een set radiotuners. Het systeem analyseert de "ruis" van elke route en wijst een specifieke Chi-Square filter toe die perfect is afgestemd op de frequentie van die route. Het is alsof je een detective een specifieke radio geeft die alleen het statische geluid van een specifieke criminele bende opvangt. Omdat de Chi-Square verdeling een speciale wiskundige eigenschap heeft genaamd additiviteit, kunnen deze filters naadloos worden gecombineerd. Dit stelt het systeem in staat om naar alle verschillende routes tegelijk te luisteren zonder dat de signalen door elkaar raken, waardoor de rijke, complexe semantiek van het netwerk wordt gevangen.

2. Interactieve Meta-Graph Convolutie: De Dimensie-uitlijning
Hier maakt de paper een gedurfde claim over hoe om te gaan met de rommeligheid van verschillende datatypen. In een heterogene graaf hebben verschillende nodes een verschillend aantal kenmerken (dimensies). Om ze te vergelijken, moet je ze uitlijnen. Veel eerdere methoden gebruikten complexe, niet-lineaire tools (zoeals diepe neurale netwerken) om deze uitlijning te doen, maar de auteurs betogen dat dit vaak de hoog-frequente details uitwist—juist de aanwijzingen die nodig zijn om anomalieën op te sporen.

De paper stelt een verrassend eenvoudige oplossing voor: een Lineaire Laag. Stel je voor dat je een foto probeert te herschalen. Complexe methoden proberen misschien de ontbrekende pixels te "raden", wat het beeld kan vervagen. Een lineaire laag is als een precieze, wiskundige herschalingsmethode die de data uitrekt of inkrimpt zonder nieuwe details te verzinnen of de scherpe randen te verliezen. De auteurs bewijzen (zowel theoretisch als door experimenten) dat deze eenvoudige lineaire benadering er eigenlijk beter in is om de "hoog-frequente" inhoud te behouden—de scherpe, plotselinge veranderingen die een anomalie signaleren. Ze laten zien dat door deze lineaire uitlijning te gebruiken, het systeem weerstand biedt aan "over-smoothing", waardoor de verdachte details scherp en duidelijk blijven.

3. Contribution-Informed Cross-Entropy Loss: Belonen van het zware werk
Ten slotte is er het probleem van de "naald in de hooiberg". Bij anomaliedetectie zijn de boeven zeldzaam. Als je alleen het totaal aantal fouten telt, zal het systeem de zeldzame boven negeren omdat het makkelijker is om gewoon te gokken dat "iedereen goed is" en meestal gelijk te hebben.

De auteurs introduceren een nieuw scoresysteem genaamd Contribution-Informed Cross-Entropy Loss. Dit systeem kijkt naar hoeveel een node bijdraagt aan het "hoog-frequente" signaal. Ze observeerden dat de echt moeilijk te detecteren boeven (degenen die het model mist) vaak een specifiek type bijdrage-signatuur hebben die verschilt van de gemakkelijke gevallen. De nieuwe loss-functie wijst hogere "gewichten" of belang toe aan deze moeilijke monsters. Het is als een leraar die extra studiepunten geeft aan een leerling die worstelt met een moeilijke opdracht, zodat de leraar zich focust op het helpen van die leerling in plaats van alleen de makkelijke vragen te beoordelen. Dit dwingt het model om aandacht te besteden aan de zeldzame, lastige anomalieën in plaats van ze te negeren.

Wat Ze Hebben Ontdekt

De onderzoekers testten ChiGAD op verschillende datasets, waaronder publieke datasets zoals ACM (een netwerk van academische papers) en twee industriële datasets uit de echte wereld van WeChat Pay (R-I en R-II), die gaan over financiële transacties.

De resultaten waren opmerkelijk. Op de ACM-dataset bereikte ChiGAD een AUROC (een maatstaf voor hoe goed het model tussen goed en slecht onderscheid maakt) van 0,9702, waarmee het de vorige beste methode met een aanzienlijke marge versloeg. Op de R-I-dataset verbeterde het de AUPRC (een andere belangrijke metriek voor zeldzame gebeurtenissen) met 31,34% ten opzichte van het op één na beste model. Zelfs op de R-II-dataset liet het consistente verbeteringen zien over alle metrieken.

De auteurs stopten daar niet. Ze haalden ook de "heterogene" onderdelen weg om een eenvoudigere versie genaamd ChiGNN te maken en testten deze op zeven verschillende homogene (één type) datasets zoals Reddit en Amazon. In bijna alle gevallen presteerde ChiGNN beter dan de bestaande state-of-the-art modellen. Dit suggereert dat het geheime ingrediënt—de Chi-Square filter en de lineaire uitlijning—krachtig is, zelfs zonder de complexiteit van gemengde nodetypes.

De Conclusie

De paper concludeert dat door een Chi-Square Wavelet Filter te gebruiken om af te stemmen op specifieği frequenties, een Lineaire Laag om de details scherp te houden, en een Contribution-Informed Loss om te focussen op de moeilijkste gevallen, we veel betere anomaliedetectoren kunnen bouwen. De auteurs beargumenteren expliciet tegen het gebruik van complexe, niet-lineaire uitlijndingsmethoden die de data vervagen, en tonen aan dat eenvoud (in de vorm van lineaire lagen) vaak superieur is voor het behoud van de hoog-frequente aanwijzingen die nodig zijn om de boeven te vangen.

Hoewel de paper niet beweert dat het alle problemen in de wereld heeft opgelost, suggereert het experimentele bewijs dat deze aanpak een grote stap voorwaarts is. Het laat zien dat het begrijpen van de "frequentie" van data en het respecteren van de moeilijkheidsgraad van zeldzame gebeurtenissen kan leiden tot systemen die veel effectiever zijn in het opsporen van het ongebruikelijke in een complexe, ruisige wereld. De code voor dit nieuwe detective-gereedschap is beschikbaar voor anderen om te proberen, een uitnodiging aan de community om te zien of deze methoden zelfs nog meer verborgen dreigingen in de digitale stad kunnen vangen.