基于跳数的属性网络自监督异常检测
该研究提出了一种无监督的ONE方法,可检测和减少异常节点对网络嵌入的影响,进而提高网络嵌入的鲁棒性,并在不需要监督的情况下集成了异常节点的影响,取得了明显的性能优势,对提高当前具有节点属性的网络应用具有一定的实用性。
Nov, 2018
本文提出一种在具有少量实例标签信息的属性图上检测异常实例的简单而有效的方法,该方法使用图卷积网络将节点嵌入到潜空间中,以捕获节点间的关系,然后通过最小化超球体的体积来训练节点嵌入算法以检测异常实例。该方法在五个真实世界的属性图数据集上的实验结果表明,该方法比各种现有的异常检测方法具有更好的性能。
Feb, 2020
本文提出了一种利用“对比自监督学习”框架进行基于深度学习的异常检测的方法,该方法能够使用大量属性和复杂的结构高效检测到网络中存在的异常,并在七个基准数据集上超越目前最先进的方法。
Feb, 2021
本文针对网络环境下的异常检测问题,通过系统分析已有的公共和私有基准数据,探索了其时态性、多变量性和空间属性特征,并提出了基于聚类的简化标注方法,实验结果为2-10倍。
Nov, 2022
我们提出了一种基于自举自我监督学习的新型统一图异常检测框架(称为BOURNE),旨在解决现有方法中节点和边异常检测被独立对待的问题,并通过交换节点和边的上下文嵌入并在嵌入空间中测量一致性来实现相互检测,此外,我们还采用了自举训练策略,以提高其处理大型图的效率。
Jul, 2023
我们提出了SLADE (Self-supervised Learning for Anomaly Detection in Edge Streams)方法,用于在边缘流中快速检测动态异常,无需依赖标签,并通过观察节点交互模式的偏离来检测节点进入异常状态的变化。在四个真实世界数据集上的动态异常检测中,SLADE优于九种竞争方法,甚至那些利用标签监督的方法。
Feb, 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
连续时间动态图中的异常检测是一个新兴领域,本文通过结构化分析以及图表示学习,对这些图中的异常连接进行识别。通过引入精细分类法并将类型化的异常注入图中,我们的方法可以在时间、结构和上下文三个方面产生具有一致模式的连续时间动态图,从而使得时间图方法能够学习到链接异常检测任务。在合成和真实数据集上进行的综合实验通过验证我们的异常和正常图形的分类法、生成过程以及对链接预测方法的异常检测适应方法。我们的研究结果进一步揭示了不同学习方法在捕捉图形正常性的不同方面和检测不同类型异常方面的优势,为未来的研究提供了机遇。
May, 2024
我们提出了一种基于高阶结构的异常检测方法(GUIDE),利用属性自编码器和结构自编码器对节点属性和高阶结构进行重建,并通过图注意力层评估邻居节点对节点的重要性,最终利用节点属性和高阶结构重建误差来寻找异常。在五个真实数据集上进行了广泛的实验,实验结果表明,GUIDE在ROC-AUC、PR-AUC和Recall@K等指标上明显优于现有方法。
Jun, 2024