TERGAD: 그래프 이상 탐지를 위한 구조 인식 텍스트 강화 표현

그래프 이상 탐지 (Graph Anomaly Detection, GAD)는 대다수와 크게 다른 노드 (nodes), 엣지 (edges), 또는 하위 구조 (substructures)와 같은 비정형 그래프 엔티티를 식별하는 것을 목표로 합니다. 기존의 텍스트가 풍부한 접근 방식들은 일반적으로 원시 텍스트 특징 (raw textual features)을 사용하여 데이터 표현 파이프라인에 구조적 문맥을 통합하지만, 노드의 구조적 문맥을 간과하는 경우가 많습니다. 이러한 한계는 노드의 고유한 콘텐츠와 위상적 역할 (topological role) 사이의 불일치로 인해 발생하는 정교한 이상 징후를 탐지하는 능력을 저해합니다. 이 격차를 해소하기 위해, 우리는 대규모 언어 모델 (Large Language Models, LLMs)의 의미론적 추론 능력을 통해 GAD를 위한 구조적 의미론을 풍부하게 하는 새로운 데이터 증강 프레임워크인 TERGAD (Structure-aware Text-enhanced Representations for Graph Anomaly Detection)를 제안합니다. 구체적으로, TERGAD는 노드 수준의 위상적 속성을 기술적인 자연어 서사로 변환하며, 이는 이후 LLM에 의해 처리되어 고차원 의미론적 임베딩 (semantic embeddings)을 도출합니다. 이러한 임베딩은 게이트형 이중 분기 오토인코더 (gated dual-branch autoencoder)를 통해 원래의 노드 속성과 적응적으로 융합되어 그래프 구조와 노드 특징을 공동으로 재구성합니다. 이상 점수 (anomaly score)는 통합된 재구성 오차 (reconstruction error)를 기반으로 계산되며, 관찰 가능한 속성과 LLM 기반의 의미론적 기대치 모두에서의 편차를 효과적으로 포착합니다. 6개의 실제 데이터셋에 대한 광범위한 실험을 통해 TERGAD가 최신 베이스라인 (state-of-the-art baselines) 모델들을 일관되게 능가함을 입증했습니다. 또한, 우리의 절제 연구 (ablation studies)는 구조적 의미론적 가이드의 필수적인 역할과 게이트형 융합 메커니즘의 효능을 검증합니다. 코드는 https://github.com/Kantorakitty/TERGAD-main 에서 확인할 수 있습니다.