HyMSS-GAD: гибридная многоэтапная архитектура для обнаружения аномалий в мультивидных графах с использованием структурного, контекстного и геометрического вывода

Почему важно обнаруживать необычные шаблоны в сетях

От социальных сетей и сайтов электронной торговли до финансовых систем и биологии — многие современные данные описываются как сети: точки (узлы), соединённые линиями (рёбрами). В этих паутинах скрыты редкие, нетипичные шаблоны, которые могут указывать на мошенничество, кибератаки, ошибочные научные записи или неожиданные научные открытия. В статье представлен HyMSS-GAD — новый метод, который ищет такие аномалии, объединяя три разных способа «смотреть» на сеть одновременно: какие у узлов характеристики, как они связаны с другими и как они вписываются в общую форму сети. Такое сочетание призвано улавливать тонкие предупредительные признаки, которые пропускают старые инструменты, и объяснять, почему узел выглядит подозрительно.

Видеть несколько граней сети

Традиционные методы поиска аномальных узлов в графах обычно исходит из предположения, что связанные узлы похожи друг на друга. Это правило «птицы одного полёта держатся вместе» работает в некоторых социальных или цитатных сетях, но выходит из строя, когда связи объединяют принципиально разные типы сущностей, как это бывает во многих реальных системах. Старые модели также склонны фокусироваться либо на схеме связей, либо на признаках узлов, но не на обоих вместе, и часто сжимают всю информацию в единый вид. HyMSS-GAD исходит из идеи, что аномалии проявляются как расхождения между несколькими представлениями одного и того же узла: его описательными признаками, положением в локальных схемах проводки и ролью в общей форме сети.

Обучение выявлению расхождений между содержимым и соседством

Первый этап HyMSS-GAD ищет «контекстные» аномалии: узлы, содержимое которых не соответствует тому, что подсказывают их соседи. Для каждого узла метод строит небольшую локальную сеть вокруг него, затем формирует два параллельных описания: одно на основе его атрибутов (например, слов в статье или характеристик товара) и другое — на основе того, как он связан с окружающими. Схема самоконтролируемого обучения поощряет согласие этих двух описаний для нормальных узлов и их расхождение для странных, без необходимости в метках. Большие несоответствия между узлом и его окружением превращаются в числовой остаток, сигнализирующий о контекстной аномалии.

Анализ мелких схем в проводке

Второй взгляд сосредоточен на тонкой структуре графа. Вместо простого подсчёта числа соседей HyMSS-GAD измеряет, как часто узел появляется в небольших мотивах проводки, таких как треугольники, звёзды или короткие циклы. Эти счёты образуют «профиль мотивов» для каждого узла. Компактная нейросеть изучает типичные профили мотивов и пытается их восстановить; узлы, чьи профили трудно реконструировать, получают высокие структурные остатки. Это фиксирует случаи, когда узел играет необычную структурную роль — например, находится слишком редко в треугольниках в плотно сгруппированной области или формирует редкие схемы связей, не соответствующие окружению.

Прослеживание кривизны сети

Помимо локальных соседств метод изучает более широкую «форму» сети, используя концепцию кривизны. Проще говоря, кривизна измеряет, живут ли два связанных узла в похожем или в сильно различающемся окружении. Рёбра внутри плотных сообществ, как правило, имеют более высокую кривизну, тогда как рёбра, мостящие отдельные области или лежащие на границах, имеют более низкую или даже отрицательную кривизну. HyMSS-GAD обучается восстанавливать заранее вычисленные значения кривизны на основе объединённых описаний узлов. Когда реконструкция не удаётся для рёбер вокруг узла, этот узел получает высокий геометрический остаток, отмечая его как возможный мост, узкое место или пограничный узел, не вписывающийся в обычную глобальную картину.

Сведение подсказок воедино

Чтобы не считать каждый тип сигнала одинаково важным везде, HyMSS-GAD использует механизм внимания, который позволяет каждому узлу «решать», сколько веса отдавать контекстной по сравнению со структурной информацией перед шагом с кривизной. Наконец, метод объединяет три остатка — контекстный, структурный и геометрический — в единый показатель аномалии. Важное отличие в том, что компоненты остаются раздельными, поэтому аналитик может увидеть, помечен ли узел главным образом из‑за несоответствия содержимого, необычных связей или странного геометрического положения. Тесты на нескольких стандартных наборах данных, включая графы цитирования и электронной торговли, показывают, что этот многовидовой подход на основе остатков не только превосходит ведущие альтернативы, но и даёт более ясные объяснения, почему те или иные узлы выделяются.

Цитирование: Khan, W., Ebrahim, N., Elloumi, M. et al. HyMSS-GAD: a hybrid multi-stage framework for multi-view graph anomaly detection with structural, contextual, and geometric reasoning. Sci Rep 16, 12108 (2026). https://doi.org/10.1038/s41598-026-42823-2

Ключевые слова: обнаружение аномалий в графах, анализ сетей, машинное обучение, графовые нейронные сети, мультимодальные данные