针对静态属性图的无监督异常节点检测基准测试(BOND)
研究从图分类数据集为图级异常检测(GLOD)重新配置数据集对于模型性能的影响,发现根据哪个类别被下采样,模型的ROC-AUC性能会显著改变,探究了基于传播的模型所产生的图嵌入空间以及在类别之间的重叠度问题。
Dec, 2020
本文提出了一种基于图神经网络的异常检测方法 LUNAR,通过融合信息传递框架和可学习参数,使该方法能够适应特定数据集并且表现更为优异。
Dec, 2021
我们提供了GADBench - 一个静态图中监督异常节点检测的全面基准测试。我们的主要发现是,使用简单邻域聚合的树集成优于所有其他基线,包括针对GAD任务量身定制的最新GNN。
Jun, 2023
用于图的预测任务的最先进模型为图神经网络 (GNNs)。本文主要研究在训练和推理期间出现了未在训练集中出现的节点的情况下,存在于图中的 out-of-distribution (OOD) 节点。我们提出了 Out-of-Distribution Graph Attention Network (OODGAT),作为一种新颖的 GNN 模型,通过显式地模型化节点之间的交互,将异常值与正常值分离开来,从而优于现有的异常值检测方法并在内部分布分类方面更好或与之媲美。
Aug, 2023
GODM是一种用于缓解监督图异常检测中类别不平衡问题的数据增强方法,通过潜在扩散模型生成类似真实异常节点的合成图数据,并通过迭代去噪学习真实有机数据的潜在空间分布。
Dec, 2023
本研究提出了一种新颖的半监督场景下的图异常检测方法(GGAD),通过生成能够在本地结构和节点表示中模拟异常节点的异常节点,为训练具有区分性的单类分类器提供有效的负节点样本,从而更好地利用已知的正常节点。在四个真实世界数据集上进行了全面的实验,建立了半监督图异常检测方法的基准,并展示了GGAD在不同数量训练正常节点下大大优于最先进的无监督和半监督图异常检测方法。
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
构建安全可靠的图机器学习系统,无监督的图级异常检测和无监督的图级离群检测在近年来受到了重视。为了弥合这两个研究方向之间的鸿沟,我们提出了一个统一的基准,将图级异常检测和图级离群检测统一到广义图级离群检测的概念下,并提供了一个包含35个数据集的综合评估框架,为16种代表性的无监督图级异常和离群检测方法的比较提供了便利。我们进行了多维分析,探索现有方法的有效性、泛化能力、鲁棒性和效率,并基于我们的见解提供了开源代码库,以促进可重复性研究,并概述了未来研究的潜在方向。
Jun, 2024
本研究解决了图形数据的分布外检测问题,提出了一种新的混合外部和内部图形异常暴露(HGOE)方法。这一方法通过利用外部领域的真实图形数据及合成内部异常来提高检测的鲁棒性。实验结果表明,该框架显著提升了现有图形分布外检测模型的性能。
Jul, 2024
本文解决了图异常检测(GAD)领域技术洞察不足的问题,提供了对现有方法及其局限性的全面回顾。文章提出了基于图神经网络(GNN)的深度学习方法的系统性分类,并创建了13个细分的类别,以深入理解模型设计及其能力,旨在促进高质量的未来研究。
Sep, 2024