Resumo Técnico: Rumo à Detecção de Anomalias em Dados Relacionais (RelAD)

Definição do Problema

Bancos de dados relacionais são o padrão para gerenciar dados estruturados em sistemas críticos do mundo real, como controle de risco financeiro, e-commerce e monitoramento industrial. Embora esses sistemas contenham ricas dependências estruturais e temporais entre entidades em múltiplas tabelas, a detecção de entidades anômalas dentro deles permanece um problema subexplorado.

As abordagens existentes enfrentam limitações significativas quando aplicadas a dados relacionais:

• Detecção de Anomalias Tabulares (TAD): Esses métodos tipicamente achatam esquemas de múltiplas tabelas em vetores de características únicos. Esse processo descarta as dependências codificadas pelas relações de chave primária–chave estrangeira e cria espaços de características de alta dimensão e redundantes, onde sinais anômalos esparsos são facilmente sobrecarregados por informações irrelevantes.
• Detecção de Anomalias em Grafos (GAD): Embora os métodos de GAD modelem atributos e estruturas de nós, eles são predominantemente projetados para grafos homogêneos. Converter um banco de dados relacional em um grafo homogêneo colapsa distintos tipos de relações (ex: usuário–produto vs. usuário–dispositivo), misturando semânticas específicas de cada relação e impedindo o modelo de distinguir qual comportamento relacional específico causa uma anomalia.

O desafio central é detectar anomalias em um cenário onde comportamentos anômalos podem se manifestar como desvios sutis em blocos de atributos específicos ou como padrões de conexão anômalos através de relações heterogêneas de chaves estrangeiras, sem perder a integridade estrutural do banco de dados.

Metodologia: RelAD

Para enfrentar esses desafios, os autores propõem o RelAD, um framework baseado em reconstrução projetado especificamente para detecção de anomalias relacionais. O RelAD caracteriza as anomalias a partir de duas visões complementares: reconstrução de atributos e reconstrução de arestas relacionais.

1. Reconstrução de Atributos com Portão Esparso Condicional (Conditional Sparse-Gated Attribute Reconstruction)

Para lidar com o desafio da redundância de características e diluição de sinal (C1), o RelAD introduz um módulo que seleciona adaptativamente atributos informativos antes da reconstrução.

• Portão Esparso Condicional (Conditional Sparse Gating): Em vez de aplicar um portão global, o modelo gera máscaras de nível de bloco para os atributos da tabela central e para os atributos agregados das tabelas filhas. A máscara para os blocos das tabelas filhas é condicionada ao perfil da entidade central, permitindo que o modelo determine se a informação da tabela relacionada é informativa para aquela entidade específica.
• Penalidade de Esparsidade: Uma penalidade de esparsidade é imposta aos valores da máscara para incentivar o modelo a reconstruir perfis de entidades usando um subconjunto compacto de atributos, suprimindo dimensões redundantes.
• Decodificação Específica por Bloco: O modelo emprega decodificadores separados para cada bloco semântico (tabela central e cada agregação de tabela filha). Isso preserva as semânticas de nível de bloco e evita que blocos de alta dimensão dominem o objetivo de reconstrução.
• Pontuação Local: Os escores de anomalia são derivados dos erros de reconstrução de nível de bloco normalizados top-$K$, garantindo sensibilidade a desvios localizados em vez de erros médios globais.

2. Reconstrução de Arestas Multirelacionais de Dupla Visão

Para abordar a heterogeneidade relacional e dependências complexas (C2), o RelAD reconstrói arestas específicas de cada relação a partir de duas perspectivas distintas:

• Codificação de Dupla Visão (Dual-View Encoding): O modelo mantém dois codificadores independentes: um para o perfil próprio (atributos intrínsecos da tabela central) e um para o perfil filho (contexto comportamental agregado de tabelas relacionadas). Isso desvincula propriedades intrínsecas de contexto comportamental.
• Vizinhos Específicos de Relação: Para cada tipo de relação $r$, um codificador de entidade vizinha compartilhado gera embeddings para as entidades conectadas. Isso garante que os escores de reconstrução sejam comparáveis dentro de um tipo de relação, preservando as semânticas de diferentes restrições de chave estrangeira.
• Reconstrução de Arestas: O modelo reconstrói arestas pontuando a compatibilidade entre a visão da entidade alvo (própria ou filha) e o embedding do vizinho. Anomalias são identificadas como inconsistências entre o perfil da entidade e seus comportamentos de conexão sob relações específicas.

3. Fusão de Escores (Score Fusion)

O escore de anomalia final é uma fusão hierárquica de três sinais:

1. Anomalias de bloco de atributo ($s_{attr}$).
2. Anomalias relacionais de perfil próprio ($s_{rel, self}$).
3. Anomalias relacionais de perfil filho ($s_{rel, child}$).

Uma soma ponderada combina esses sinais, permitindo que o framework priorize adaptativamente desvios de atributos ou inconsistências relacionais, dependendo da fonte específica de anomalia no conjunto de dados.

Principais Contribuições

O artigo reivindica as seguintes contribuições:

• Formalização do Problema: Tanto quanto o conhecimento dos autores, este é o primeiro trabalho a propor e definir formalmente o problema da Detecção de Anomalias Relacionais (RAD), distinguindo-o da detecção de anomalias tabular ou em grafos padrão.
• Metodologia: A introdução do RelAD, um novo framework que captura conjuntamente desvios de atributos locais e padrões de conexão anômalos específicos de cada relação através de reconstrução de atributos com portão esparso condicional e reconstrução de arestas multirelacionais de dupla visão.
• Benchmarks e Avaliação: A construção de seis conjuntos de dados de benchmark com regras de injeção de anomalias sistemáticas e específicas de cada dataset (simulando cenários como manipulação de avaliações, cartéis de citação e fazendas de cliques) para permitir uma avaliação rigorosa do modelo.
• Validação Empírica: Experimentos extensos demonstrando que o RelAD supera consistentemente as linhas de base (baselines) de TAD e GAD em diversos domínios.

Resultados Experimentais

Os autores avaliaram o RelAD em seis conjuntos de dados públicos do RelBench e RelBench v2, cobrindo e-commerce (Amazon, HM, Avito), citações acadêmicas (ArXiv), comunidades de Q&A (Stack) e sistemas empresariais (SALT). Anomalias foram injetadas sinteticamente a uma proporção de 5%.

• Desempenho: O RelAD alcançou os melhores AUROC e AUPRC em todos os seis conjuntos de dados. Comparado à linha de base mais forte em cada dataset, o RelAD mostrou ganhos de desempenho relativo de mais de 10% em quatro conjuntos de dados. Notavelmente, alcançou melhorias significativas em AUPRC em conjuntos de dados altamente desbalanceados como ArXiv, HM e SALT.
• Linhas de Base (Baselines): Métodos de TAD existentes (ex: DRL, MCMTAD) mostraram desempenho competitivo, porém inconsistente, frequentemente falhando em preservar padrões específicos de relação. Métodos de GAD (ex: DOMINANT, FreeGAD) geralmente tiveram desempenho inferior, com alguns sofrendo de problemas de falta de memória (OOM) em grandes conjuntos de dados, confirmando que a adaptação para grafos homogêneos é insuficiente para RAD.
• Estudos de Ablação: A remoção do componente de reconstrução relacional causou as quedas de desempenho mais significativas na maioria dos datasets, destacando a importância crítica de modelar padrões de conexão. A remoção do ramo de atributos foi a mais prejudicial no SALT, indicando que a fonte dominante de anomalia varia conforme o dataset. O design de dupla visão (própria vs. filha) provou ser complementar, com a visão filha frequentemente fornecendo sinais mais fortes para anomalias comportamentais.
• Eficiência: O RelAD demonstrou eficiência de tempo de execução competitiva, sendo substancialmente mais rápido que várias linhas de base custosas (ex: KNN, LOF, DRL) enquanto mantém um forte desempenho de detecção.

Significância e Limitações

O artigo posiciona o RelAD como um passo fundamental para preencher a lacuna na detecção de anomalias para dados relacionais. Ao modelar explicitamente a heterogeneidade de atributos e a semântica das relações de chave estrangeira, o RelAD oferece uma abordagem mais robusta do que o achatamento de dados ou o colapso de relações em grafos homogêneos.

Os autores reconhecem uma limitação importante: o framework atual não modela explicitamente a dinâmica temporal. Muitas anomalias do mundo real evoluem ao longo do tempo através de mudanças nos atributos e padrões de interação. Os autores sugerem que estender o RelAD para bancos de dados relacionais dinâmicos é uma direção promissora para trabalhos futuros.

O estudo enfatiza que, embora o RelAD melhore as capacidades de detecção para monitoramento de fraude e risco, ele é destinado como uma ferramenta de pesquisa para avaliação de benchmarks. A implementação em domínios de alto risco requer supervisão humana, avaliação de justiça (fairness) e adesão à governança de dados preservadora de privacidade para mitigar riscos de falsos positivos e tratamento injusto.