提高图级异常检测的标准

IJCAIMay, 2022

Raising the Bar in Graph-level Anomaly Detection

Chen Qiu, Marius Kloft, Stephan Mandt, Maja Rudolph

TL;DR该论文提出一种基于自监督学习和转换学习的新型深度学习方法，显著改进了现有的深度单类方法，并在九个真实数据集上进行了实验，平均 AUC 性能提高了 11.8%。

Abstract

graph-level anomaly detection has become a critical topic in diverse areas, such as financial fraud detection and detecting anomalous activities in social networks. While most research has focused on anomaly detection for visual data such as images, where high detection accuracies have

graph-level anomaly detection deep learning self-supervised learning transformation learning performance improvement

发现论文，激发创造

基于深度学习的图异常检测综述

本文综述了现代深度学习技术在图异常检测中的应用，编译了开放资源的实现、公共数据集和常用评估方法，重点强调了 12 个未解决和新兴的研究问题和现实世界的应用。

Jun, 2021

节点级图异常检测的三个重访：异常值、消息传递和双曲神经网络

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

基于图形的异常检测和描述：一项调查

本文综述了最新的用于检测以图形表示的数据中异常值的方法和算法，包括在不同场景下的无监督和（半）监督方法，以及针对属性和普通图的静态和动态图。作者强调了异常归因的重要性，并介绍了根据检测到的异常挖掘其根本原因的技术。除此之外，作者还列举了金融、拍卖、计算机流量和社交网络等领域中基于图形的异常检测的若干真实应用，并讨论了该领域的理论和实践挑战。

Apr, 2014

基于多表示空间分离的图级异常感知检测

基于多重表示空间分离的图级异常感知检测框架，通过考虑节点级和图级异常的不同重要性，设计了异常感知模块来学习它们之间的特定权重，并通过四种加权图表示（正常锚点图、异常锚点图、训练正常图、训练异常图）严格分隔正常和异常图像空间，根据测试图像与正常和异常图像空间的图像表示之间的距离误差，准确判断测试图像是否异常。在十个公共图形数据集上广泛评估了我们的方法，结果表明其有效性。

Jul, 2023

使用图神经网络的图异常检测：当前状态与挑战

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

用于异常检测的深层图级正交超球压缩

本文提出了一种新的深度图形异常检测模型，该模型利用亚球形决策边界来通过最大互信息筛选图像特征，进而实现对无监督的异常图形识别

Feb, 2023

SAD：动态图形半监督异常检测

本文提出了一种半监督异常检测（SAD）的框架来处理动态图数据，并将时间内存库和伪标签对比学习模块相结合，充分利用未标记样本，可以有效地发现和检测动态图数据中的异常，即使只有少量标记数据也能优于现有先进方法

May, 2023

基于图神经网络的多元时间序列异常检测

提出了一种使用深度学习和 graph neural networks 检测高维时间序列数据中的异常事件的方法，通过学习传感器间复杂关系的结构和注意力权重提供被检测异常事件的解释和根因分析，在真实世界传感器数据集实验中，该方法比基线方法更准确地捕获传感器间关联并检测到异常事件。

Jun, 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

图结构化数据中的异常检测：一项调查

综述了基于图数据的异常检测技术，包括应用领域、假设和技术分类、改进方法的基本研究思路以及现有技术的优缺点，最后探讨了基于图结构数据的异常检测领域的未来研究方向。

May, 2024