重新思考图神经网络在异常检测中的应用
最近在图神经网络领域中,频谱图神经网络因其在频域捕捉图信号的特点而受到广泛关注,展示出在特定任务中的有希望的能力。然而,对于评估其频谱特征的系统研究还很少。此观点论文通过对超过 30 个包含 27 个相应滤波器的频谱图神经网络进行广泛的基准测试,分析和分类这些模型,并在统一框架下实现这些频谱模型,提供了对有效性和效率的多方位实验评估,并提供了在评估和选择性能良好的频谱图神经网络时的实用指南。我们的实现能够在更大的图上应用,性能可比且开销较小,可以从以下链接获得:
Jun, 2024
我们提出了一种图波形神经网络(GWNN),通过使用图小波变换来解决以往依赖于图傅里叶变换的图谱卷积神经网络(CNN)方法的缺点,这些方法需要进行高计算成本的矩阵特征分解。与图傅里叶变换不同的是,图小波变换可以通过快速算法获得,无需矩阵特征分解。此外,图小波在顶点域中稀疏且局部化,可以提供高效性和良好的图卷积可解释性。经过实验,GWNN 在三个基准数据集上均明显优于以往的图谱 CNNs,在图半监督分类任务上具有更好的性能。
Apr, 2019
本文总结了谱图神经网络的最新发展,包括模型、理论和应用等方面的内容,其中介绍了谱性 GNN 能够捕捉全局信息,并具有更好的可表达性和可解释性。通过对现有谱性 GNN 的分析,本文梳理了主要理论结果和应用,最后进行了定量实验来评估几种常见的谱性 GNN 模型,为未来的研究提出了一些方向。
Feb, 2023
本文研究了基于图信号滤波器的谱图神经网络的表达能力,证明了无需非线性函数就可产生任意图信号,并建立了表达能力与图同构测试之间的联系。提出了一种名为 JacobiConv 的新型谱图神经网络,该网络能在不使用非线性函数的情况下超越所有对比算法。
May, 2022
提出了一种新颖的图神经网络框架 AdaGNN,其中包含了一种经过精心设计的自适应频率响应滤波器,可以在节点表示学习中捕获不同特征通道之间的内在差异,从而具有更强的表达能力并自然地缓解压平问题。在各种基准数据集上实证表明,所提出的 AdaGNN 框架具有很高的有效性,同时还提供了理论分析以证明其优越性。
Apr, 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
光谱图神经网络在空间域具有可解释性,通过建立光谱滤波和空间聚合的理论联系,揭示了光谱滤波将原始图形隐式导向适应的新图形,以进行空间聚合和反映节点之间的标签一致性,进而提出了一种新颖的空间自适应滤波 (SAF) 框架,通过光谱滤波和辅助的非局部聚合综合建模节点的相似性和差异性,在全局角度缓解了图神经网络与长距离依赖和图形异质性相关的不足,并在 13 个节点分类基准上进行了广泛实验,证明了该框架相较于现有模型的优越性。
Jan, 2024
我们提出了 Rayleigh Quotient Graph Neural Network (RQGNN),这是第一个用于图级异常检测的谱 GNN,通过探索异常图的固有谱特征,显著提高了性能。
Oct, 2023
利用多样化光谱滤波的框架 (DSF),在光谱图神经网络的基础上,通过自动学习节点特定的滤波权重,平衡局部和全局信息以捕捉全局图特征和挖掘多样的局部模式,从而提高节点分类任务的模型性能。
Dec, 2023
提出 BernNet 作为一种新型图神经网络,它通过 Bernstein 多项式逼近设计和学习任意图谱滤波器,能够学习任意的谱滤波器而不仅仅是预定义的或无约束的,从而在现实世界的图形建模任务中取得了出色的性能表现。
Jun, 2021