Jun, 2023

邻域重构图异常检测

PDF
TL;DR本文提出了一种新颖的图自编码器方法 GAD-NR，它通过邻域重构来检测图的异常节点，相较于现有方法在克服聚类型结构异常检测的同时还能检测其他类型的异常，实验结果显示 GAD-NR 较现有竞争方法在真实世界数据集中的性能提升了多达 30%。
graph anomaly detectiongraph auto-encodersneighborhood reconstructionanomaly detectionreal-world datasets
发现论文，激发创造
  • 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

  • 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

  • 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

  • 保护图神经网络的无监督图异常检测

    本文提出了一个简单而有效的框架 G3AD，它引入了两个辅助网络和相关性约束来保护 GNN 免受不一致信息编码的影响。此外，G3AD 还引入了一个自适应缓存模块，以防止 GNN 仅重构包含异常的观察数据。大量实验证明，我们提出的 G3AD 在合成数据集和实际数据集上均能优于 17 个最先进的方法。

    Apr, 2024

  • 基于拓扑模式增强的组级图异常检测：一种增强无监督方法

    提出了一种用于群体级图异常检测的新的无监督框架，该框架利用图自动编码器和拓扑模式进行候选群体识别和嵌入生成，从而实现对异常群体的鉴定和定位。

    Aug, 2023

  • 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

  • 缓解图异常检测中的结构分布偏移

    针对图形异常检测中结构分布偏移的问题，本研究提出了一种名为图解构网络（GDN）的框架，通过限制异常特征的影响，同时从同质性中获益，来解决正常和异常节点之间的分类问题。在两个基准数据集上进行的广泛实验表明，该框架在异常检测中取得了显著的性能提升。

    Jan, 2024

  • 无监督图异常检测中的强化邻居选择

    提出了一种基于增强学习的无监督图异常检测方法（RAND），该方法利用图神经网络学习节点表示并选择可靠的邻居节点，通过增加增强学习模块和异常感知汇聚器来提高检测性能。实验证明，RAND 方法在合成和真实数据集上优于现有方法。

    Dec, 2023

  • 正常结构正则化的开放集图异常检测

    该研究提出了一种名为正常结构规范化的新型开放式图异常检测方法，通过利用标记节点中嵌入的丰富正常图结构来解决与欧几里德数据处理相关的问题，同时改善现有方法在检测未见异常方面的泛化性能。

    Nov, 2023

  • 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