跨网络元学习的小样本网络异常检测
提出了一种新的基于元学习的图分类模型Meta-GNN，能够在非欧几里得领域解决节点分类问题，并在多个基准数据集上实现了较大幅度的性能改进和任务适应能力的提高。
May, 2019
本篇论文提出了一种少样本异常检测框架，通过弱监督学习方式训练检测模型，维护了良好的正常性表示和异常性表示，同时兼顾了sample-efficient考虑，实现了对少量标注样本的训练，并在9个实际图像异常检测基准测试中表现显著好于同类方法。
Aug, 2021
本篇综述介绍了基于图神经网络的图形异常检测的最新进展，将这些方法总结为基于图形类型、异常类型和网络结构，并得出这是第一个基于 GNN 的综合检测图形异常方法的综述。
Sep, 2022
本文研究了一种新的少样本图异常检测方法MetaGAD，通过学习元知识来转移未标注节点和标注节点之间的信息以检测带有有限标注标记的异常。在六个真实世界的数据集上进行实验，证明该方法在少量标注样本中检测出异常。
May, 2023
FMGAD是一种新颖的少样本图异常检测模型，利用自监督对比学习策略在视图内和视图间捕捉内在和可传递的结构表示，并借助深度图神经网络消息增强重构模块从根本上利用少样本标签信息并使其能够传播到更深的未标记节点，该模块进一步辅助自监督对比学习的训练。综合对六个真实世界数据集的实验结果表明，FMGAD能够在人工注入异常或领域有机异常的情况下，实现比其他最先进方法更好的性能。
Nov, 2023
在网络时代，图机器学习已经广泛应用于普遍存在的图结构数据中。本研究提出了一种名为MITIGATE的新型多任务主动图异常检测框架，通过耦合节点分类任务，增加了检测未知异常节点的能力，并通过置信度差异量化节点的信息量，采用掩码聚合机制提高了选择与已知模式远离的代表性节点的可能性，在四个数据集上的实验证明了MITIGATE在异常检测方面明显优于现有方法。
Jan, 2024
本文针对复杂网络中识别异常实例的图异常检测问题，从深度学习方法学、基准评估方法及超几何神经网络等三个方面展开研究，通过研究发现了改进节点级图异常检测方法的一般策略。
Mar, 2024
本文提出了一个简单而有效的框架 G3AD，它引入了两个辅助网络和相关性约束来保护 GNN 免受不一致信息编码的影响。此外，G3AD 还引入了一个自适应缓存模块，以防止 GNN 仅重构包含异常的观察数据。大量实验证明，我们提出的 G3AD 在合成数据集和实际数据集上均能优于17个最先进的方法。
Apr, 2024
本文解决了图异常检测（GAD）领域技术洞察不足的问题，提供了对现有方法及其局限性的全面回顾。文章提出了基于图神经网络（GNN）的深度学习方法的系统性分类，并创建了13个细分的类别，以深入理解模型设计及其能力，旨在促进高质量的未来研究。
Sep, 2024