TERGAD: 그래프 이상 탐지를 위한 구조 인식 텍스트 강화 표현

요약

TERGAD는 그래프 이상 탐지(GAD) 시 노드의 구조적 문맥과 텍스트 특징 간의 불일치를 해결하기 위해 제안된 새로운 데이터 증강 프레임워크입니다. LLM을 활용하여 노드의 위상적 속성을 자연어 서사로 변환하고, 이를 게이트형 이중 분기 오토인코더를 통해 기존 노드 속성과 융합하여 고차원적인 의미론적 임베딩을 생성합니다. 실험 결과, TERGAD는 6개의 실제 데이터셋에서 기존 최신 모델들을 능가하는 성능을 보여주었습니다.

핵심 포인트

• 노드의 위상적 속성을 자연어 서사로 변환하여 LLM의 의미론적 추론 능력을 활용함
• 게이트형 이중 분기 오토인코더를 통해 구조적 의미론과 원래의 노드 속성을 적응적으로 융합
• 재구성 오차를 기반으로 관찰된 속성과 LLM 기반 의미론적 기대치 사이의 편차를 포착하여 이상 점수 계산
• 6개의 실제 데이터셋 실험을 통해 기존 SOTA 모델 대비 우수한 성능 입증