AAAIDec, 2022

基于异常感知的对比对齐跨域图形异常检测

PDF
TL;DR本研究提出了一种基于对比度的领域适应方法（ACT），用于解决无标签目标图中检测异常节点的问题，并在相关源图中使用标记异常和正常节点。实验结果表明，与现有方法相比，该方法显着提高了检测性能。
graph anomaly detectiondomain adaptationcontrastive alignmentanomaly detectionnode representations
发现论文，激发创造
  • 利用多粒度跨域对齐提升异常分割

    提出了适用于复杂驾驶环境中异常物体分割的多粒度跨域对齐（MGCDA）框架，该框架将新的多源领域对抗训练（MDAT）模块和新的跨域异常感知对比学习（CACL）方法结合起来，以增强模型的普适性，无缝地整合多域数据，并在场景和样本级别上进行操作。

    Aug, 2023

  • CDAD-Net: 广义类别发现中的领域差距连接

    在跨领域广义类别发现中，CDAD-NET 通过对源域和目标域之间的样本进行同步，强调目标数据的独特分类，并且通过三个度量学习目标的融合来保持共享空间的区分性。在实验中，CDAD-NET 在三个 AD-GCD 基准测试中表现出 8-15％的性能提升。

    Apr, 2024

  • 通过多尺度对比学习网络和增强视图进行图形异常检测

    本文提出了一种多视图、多尺度对比学习框架，采用子图 - 子图对比提高子图嵌入的鲁棒性，并通过图增强方法提高检测性能。实验结果表明，该方法在图异常检测任务中具有优越性。

    Dec, 2022

  • 基于正常学习的多尺度对比学习图异常检测

    通过多尺度对比学习网络的正常模式学习构建了基于正常性学习的图异常检测框架（NLGAD），该算法相较于现有算法提高了检测性能（最多 5.89% 的 AUC 增益）。

    Sep, 2023

  • 通过图卷积的对抗领域自适应实现图传输学习

    本文研究跨网络节点分类问题，提出一种基于对抗领域自适应和图卷积的图传输学习框架 AdaGCN 以在标签数据不足的情况下，从部分标记的源网络中利用标记信息辅助完全未标记或只有部分标记的目标网络节点分类，并在真实数据集上进行了大量实验评估，并验证了 AdaGCN 在标签率低和源目标领域差异显著的情况下都能成功传输类信息。

    Sep, 2019

  • DACAD：领域自适应对比学习多元时间序列中的异常检测

    本文提出了一种结合无监督域自适应和对比表示学习的新颖多变量时序异常检测领域适应对比学习模型（DACAD），模型通过引入各种类型的合成异常来增强泛化能力，改善领域间未见异常类的一般化，提出了针对异常检测的有效中心熵分类器（CEC），有效学习源域中正常边界，广泛的实证验证结果表明 DACAD 在多个现实世界数据集上优于其他领先的时序异常检测和无监督域自适应模型，同时可以缓解有限标注数据对时序异常检测的挑战。

    Apr, 2024

  • 全局知识蒸馏的深度图层异常检测

    介绍了一种新的基于深度学习的图异常检测方法，该方法使用 GNN 来预测具有随机初始化网络权重的另一个 GNN，可以有效检测局部和全局异常的真实世界图数据集。

    Dec, 2021

  • 利用图生成提升领域自适应物体检测

    通过图生成提高无监督域适应中的目标检测质量，并在语义对齐和适应领域之间保持类别不变的信息以实现最准确的跨域语义对齐。

    Apr, 2024

  • 成对对齐提升图领域适应

    图领域适应性研究中，本文提出了一种新颖的、基于理论原则的方法，即配对校准（Pair-Align），以解决图结构的移动性问题。通过减轻条件结构移位和标签移位，Pair-Align 利用边权重重新校准相邻节点之间的影响，并通过标签权重调整分类损失来处理标签移位。本方法在实际应用中表现出卓越的性能，包括社交网络中具有区域移位的节点分类以及粒子碰撞实验中的堆积减灾任务。对于第一个应用，我们还创建了迄今为止最大的 GDA 研究数据集，并在合成和其他现有基准数据集上展示了强大的性能。

    Mar, 2024

  • ADA-GAD: 图形异常检测的异常去噪自编码器

    提出了一种名为 ADA-GAD 的新型双阶段框架以解决图中异常检测问题，通过减少异常级别并利用多层级表示进行预训练和检测，同时使用节点异常分布正则化来进一步减轻异常过拟合问题。

    Dec, 2023