스펙트럼 이웃 정보로 강화된 그래프 이상 탐지

본 논문은 그래프 이상 탐지(GAD) 분야에서 이웃 정보의 중요성을 재조명하고, 스펙트럼 분석을 통해 이를 효율적으로 모델링하는 새로운 모듈 NeiGAD를 제안한다. 서론에서는 GAD가 금융 사기, 사이버 침입, 디바이스 고장 등 다양한 실세계 문제에 적용되고 있음을 언급하면서, 기존 GNN 기반 방법들이 메시지 패싱을 통해 이웃 정보를 활용하지만, 그 효과를 명시적으로 정량화하거나 별도 모듈로 추출하지 못한다는 한계를 지적한다. 관련 연구 파트에서는 그래프 자동인코더(DOMINANT, GAD‑NR 등), GNN‑기반 변형(GAAN, CoLA 등) 및 최근 스펙트럼 기반 그래프 학습(FairGT, SpecFormer 등)을 정리한다. 이들 방법은 전역적인 스펙트럼 특성을 활용하거나 구조‑속성 재구성을 수행하지만, 로컬 이웃 간의 일관성을 직접적으로 강조하지 못한다는 점을 강조한다. 다음으로 기본 개념과 기호를 정의한다. 그래프 G=(V,A,X)와 인접 행렬 A의 고유분해 A=U^TΛU를 소개하고, 고유벡터 u_i와 고유값 λ_i의 관계를 정리한다. GAD의 전통적인 재구성 손실 L = (1−α)||A−A' ||_F^2 + α||X−X'||_F^2 를 제시한 뒤, 이상 점수는 노드별 재구성 오차로 계산한다. NeiGAD 설계는 두 가지 이론적 결과에 기반한다. 정리 1은 고유벡터 성분이 이웃 성분의 선형 평균임을 증명함으로써, 고유벡터가 이웃 정보를 내재하고 있음을 보인다. 정의 1에서는 각 노드의 이웃 정보 이상 점수 L_{NI}를 고유벡터 재구성 오차로 정의한다. 정리 2는 여러 고유벡터를 결합하면 L_{NI}가 선형적으로 누적되어 이상 신호가 증폭된다고 증명한다. 이러한 결과는 고유벡터를 선택적으로 사용함으로써 이웃 기반 이상 신호를 강화할 수 있음을 시사한다. 실제 구현에서는 전체 고유분해 대신 Arnoldi 알고리즘을 이용해 상위 t개의 고유값·고유벡터만 추출한다. 논문에서는 t를 2~10으로 설정했으며, 이는 계산 비용을 크게 낮추면서도 충분한 이웃 정보를 제공한다. 선택된 고유벡터 집합 U는 기존 GAD 모델의 임베딩 Z와 결합되어 새로운 특징 행렬