MetaGAD：学习元传递以进行少量样本图形异常检测

May, 2023

MetaGAD：学习元传递以进行少量样本图形异常检测

MetaGAD: Learning to Meta Transfer for Few-shot Graph Anomaly Detection

Xiongxiao Xu, Kaize Ding, Canyu Chen, Kai Shu

TL;DR本文研究了一种新的少样本图异常检测方法 MetaGAD，通过学习元知识来转移未标注节点和标注节点之间的信息以检测带有有限标注标记的异常。在六个真实世界的数据集上进行实验，证明该方法在少量标注样本中检测出异常。

Abstract

graph anomaly detection has long been an important problem in various domains pertaining to information security such as financial fraud, social spam, network intrusion, etc. The majority of existing methods are performed in an unsupervised manner, as labeled anomalies in a large scale

graph anomaly detection unsupervised learning limited labeled anomalies metagad few-shot learning

发现论文，激发创造

跨网络元学习的小样本网络异常检测

本研究探讨了采用少量标注异常来进行网络异常检测的问题，并提出一种新的图神经网络方法和跨网络元学习算法来解决这个问题，并通过大量实验验证了其有效性。

Feb, 2021

少样讯息增强对比学习用于图形异常检测

FMGAD 是一种新颖的少样本图异常检测模型，利用自监督对比学习策略在视图内和视图间捕捉内在和可传递的结构表示，并借助深度图神经网络消息增强重构模块从根本上利用少样本标签信息并使其能够传播到更深的未标记节点，该模块进一步辅助自监督对比学习的训练。综合对六个真实世界数据集的实验结果表明，FMGAD 能够在人工注入异常或领域有机异常的情况下，实现比其他最先进方法更好的性能。

Nov, 2023

基于 GAN 的元学习应用于异常检测，在高速铁路检测系统中的部署

这篇论文提出了一个基于元学习的异常检测框架，它集成了生成对抗网络 (GANs) 的思想，并利用适当的损失函数，包括结构相似度指数 (SSIM)，解决了 AI 时代中针对大数据异常检测的挑战，试验表明该框架在高速铁路检测方面表现尖锐和强健，已在中国五个高速铁路上使用，使工作量减少了 99.7%，检查时间节省了 96.7%。

Feb, 2022

通过数据增强提高图形异常检测模型的泛化性能

提出了用于解决图异常检测中普适性问题的数据增强方法，并验证了其提高 GAD 模型通用性的有效性。

Sep, 2022

通过数据增强提高图形异常检测模型的泛化能力

本文提出了一种基于数据增强的半监督学习方法 AugAN，用于解决现有半监督图异常检测方法的泛化问题，并进一步提高模型的泛化能力，从而有效检测训练和测试数据中存在的异常。

Jun, 2023

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

局部子图的图元学习

该研究提出了一种新的基于元学习的算法 G-Meta，能够通过学习子图信息和元梯度实现快速适应新任务，在少量节点或边的情况下进行知识迁移，且在比基准算法高达 16.3% 的数据集上得到了验证。

Jun, 2020

Mul-GAD: 基于聚合多视角信息的半监督图异常检测框架

本文提出了一种多视图融合方法用于图形异常检测，该方法结合了视角级融合和特征级融合以更好地利用不同视角的信息。在多个数据集上进行的实验表明，该方法在异常检测性能和泛化能力方面优于其他现有算法。

Dec, 2022

生成半监督图异常检测

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

FGAD: 自助强化知识蒸馏的有效联邦图异常检测框架

我们提出了一种有效的联邦图异常检测框架 (FGAD)，通过引入异常生成器来扰动正常图形，通过区分生成的异常图形和正常图形来训练强大的异常检测器。然后，我们利用一个学生模型从训练的异常检测器（教师模型）中提取知识，旨在保持本地模型的个性并减轻非独立同分布问题的不利影响。此外，我们设计了一个有效的协作学习机制，促进了本地模型的个性保存并显著降低了客户之间的通信成本。与最先进的基准线相比，在非独立同分布图上的图异常检测任务的实证结果表明了所提出的 FGAD 方法的优越性和效率。

Feb, 2024