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%。

May, 2022

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

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

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

我们提出了一个简单的框架，用于一类分类和异常检测。学习一个映射来将未知的训练（正常）数据分布转化为已知的目标分布，保证目标分布足够简单、紧凑且具有信息丰富性，同时最小化转化后的数据分布与目标分布的距离，并保持原始数据的重建误差足够小。与基准方法相比，对多个基准数据集验证了我们方法的优越性。

Jul, 2023

使用双曲几何的度量框架提高超出分布检测的性能，并探索其与嵌入维度的关系，改善在资源受限环境中的实际应用。

Mar, 2024

基于超辐角的对比学习在学习高质量图嵌入中表现良好，通过设计对齐度量和均匀性度量，解决了生态树属性和泊松球边界处的各向同态问题，实验证明了该方法在监督学习和自我监督学习中的有效性。

Oct, 2023

我们提出了一种新的深度图级聚类方法 Uniform Deep Graph Clustering（UDGC），通过将实例均匀分配到不同的聚类中心并在单位超球面上散布这些聚类，从而实现了更均匀的聚类级分布和较小的聚类崩溃问题。我们在八个著名数据集上的实证研究显示，UDGC 明显优于现有的模型。

Nov, 2023

本文提出了一种名为 Hierarchical Memory Networks (HimNet) 的新方法，该方法通过使用图自动编码器网络架构学习层次记忆模块来检测本地和全局异常图。在多个实际图数据集上的广泛实验结果表明，HimNet 显著优于现有方法，并且对异常污染具有鲁棒性。

Jul, 2023

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