AnomMAN: 多视图属性网络异常检测
本研究提出了一种基于自监督学习的框架来更准确地检测带属性网络中的异常节点，其中结合了多视图对比学习模块和属性重构模块。实验表明该模型优于当前最先进的模型。
May, 2022
该论文提出了一种基于垂直联合学习的算法 FadMan，用于多个属性网络和不带属性网络上的异常检测，涉及联邦异常检测、公共异常子图和私有异常子图对齐等方面，实验结果表明，FadMan 在准确率方面比竞争方法至少高 12％。
May, 2022
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
本文提出了一个新的自监督多元时间序列异常检测框架，使用图注意力层显式地捕获时间序列之间的关系，并结合预测 和重构的方法来获得更好的时间序列表示，实验结果表明该方法在真实数据集上表现优异且具有良好的可解释性。
Sep, 2020
提出了一种处理复杂图数据库的新颖图神经网络模型 ADAMM，通过无监督异常检测目标，将元数据和图级表示学习融合到统一的端到端架构中，有效地处理了有向多图和自环，并在会计和城市流动性领域的不同数据集上验证了其普适性和检测效果的优越性。
Nov, 2023
本文提出了 GraphAnoGAN，一种用于排名网络中异常快照的框架，它由两个核心组成部分组成 —— 生成模型和鉴别模型，并在 4 个真实世界网络上进行了实验证明其优于 6 个基准线。
Jun, 2021
ANOMULY 是一个用于多重动态网络的无监督边缘异常检测框架，它包括使用 GRU 单元捕获网络的时间特性和在不同类型的关系之间整合信息的注意机制。通过大量实验，ANOMULY 达到了最新技术水平，该方法在大脑网络数据集上的应用也展示了新的工具去理解异常的大脑活动以及与之相关的疾病和障碍。
Nov, 2022
本文提出了一种名为 CAN（coupled attention-based neural network）的框架，用于动态变量关系特征的多变量时间序列异常检测，通过自适应图学习方法与图关注机制相结合，基于全局 - 局部图来表示全局相关性和动态相关性，通过卷积神经网络结合时间自注意力模块来构建耦合注意力模块，实现了多层编码器 - 解码器架构进行重构和预测任务，实验结果表明 CAN 方法明显优于现有的基准方法。
Jun, 2023
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