IJCAIMay, 2022

增强重构的多视角对比学习用于带属性网络异常检测

PDF
TL;DR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。
attributed networksanomaly detectionself-supervised learningcontrastive learningattribute reconstruction
发现论文，激发创造
  • 基于对比自监督学习的属性网络异常检测

    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

  • 针对图形异常检测的生成式和对比式自监督学习

    本文提出 SL-GAD 方法来进行图数据中的异常检测，该方法利用生成属性回归模块捕捉属性空间中的异常以及多视角对比学习模块从多个子图中挖掘丰富的结构信息来检测结构空间中的异常，实验结果表明该方法较现有方法具有更好的表现。

    Aug, 2021

  • 异常检测的属性恢复框架

    该研究提出了一种基于图像修复的异常检测方法，在多个基准数据集上显著优于现有方法，特别是在 ImageNet 上，Top-performing 基线的 AUROC 提高了 10.1%。

    Nov, 2019

  • AnomMAN: 多视图属性网络异常检测

    本文提出了一种基于图卷积的框架 ——AnomMAN，用于在多视角归属网络中检测异常。实验结果表明，AnomMAN 在现实世界数据集上表现比现有模型和两个我们提出的变种更好。

    Jan, 2022

  • 基于高阶结构的属性网络异常检测

    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

  • ReContrast：通过对比重构实现领域特定的异常检测

    本文提出了一种名为 ReContrast 的 UAD 方法，通过特征重构和对整个网络进行优化，实现了对目标领域的训练和检测能力，实验结果表明该方法在工业缺陷检测和医学图像 UAD 任务中具有优越性。

    Jun, 2023

  • 解耦异常鉴别和表示学习：自监督学习用于属性图的异常检测

    本文提出了一种独特的算法 DSLAD，它是一种自监督方法，可将异常检测的异常磨合和表示学习分离。DSLAD 使用双线性池化和掩蔽自编码器作为异常磨合器。通过解耦异常磨合和表示学习，构建了一个平衡的功能空间，节点之间的语义辨别性更强，同时可以解决数据分布失衡问题。在各种六个基准数据集上进行的实验表明 DSLAD 的有效性。

    Apr, 2023

  • Divide-and-Assemble: 学习分块存储的记忆以进行无监督异常检测

    本文提出了一种自动编码器框架中的分割 - 组装策略，并引入了多尺度块状记忆模块和对抗学习以改进无监督图像异常检测的性能。

    Jul, 2021

  • 基于重构误差的少量异常样本检测

    探索如何使基于重构误差的神经网络模型在发现异常值时可以将已知的异常值排除在正常数据的范畴之外，并利用一些有限的异常数据来增加正常数据和异常数据之间的差异以提高异常检测的性能。

    May, 2023

  • 基于交叉蒙版修复的多特征重建网络在无监督异常检测中的应用

    本研究提出了一种多特征重建网络（MFRNet），通过平行特征修复和交叉遮罩还原将图像重建转化为多特征重建，用于无监督异常检测。实验结果表明，该方法在四个公开数据集和一个自制数据集上表现出色，并明显优于其他状态艺术品。

    Apr, 2024