BOURNE: 自助式自监督学习框架用于统一图异常检测
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
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
本论文提出了一种实用的无监督图结构学习(GSL)范式,使用自我监督对比学习辅助产生 “锚图” 目标,采用新型自举机制升级锚图并设计多种图学习器和后处理方案,取得了显著有效性和优化图的高质量。
Jan, 2022
在动态图上进行异常检测的研究主要关注于检测行为明显偏离图和时间信息内观察到的规范的实体,已吸引了金融、网络安全、社交网络等领域的极大关注。然而,现有的方法面临两个挑战:动态结构构建挑战 - 难以捕捉带有复杂时间信息的图结构,负采样挑战 - 无法构建优秀的负样本用于无监督学习。为了应对这些挑战,我们提出了基于动态图的无监督生成式异常检测 (GADY)。针对第一个挑战,我们提出了一个连续动态图模型来捕捉精细的信息,打破了现有离散方法的限制。具体而言,我们采用消息传递框架结合位置特征来获得边缘嵌入,通过解码来识别异常。为了解决第二个挑战,我们首次使用生成对抗网络生成负交互。此外,我们设计了一个损失函数来改变生成器的训练目标,同时确保生成样本的多样性和质量。大量实验证明了我们提出的 GADY 在三个现实世界数据集上明显优于先前的最先进方法。补充实验证实了我们模型设计的有效性以及每个模块的必要性。
Oct, 2023
本文提出了一种独特的算法 DSLAD,它是一种自监督方法,可将异常检测的异常磨合和表示学习分离。DSLAD 使用双线性池化和掩蔽自编码器作为异常磨合器。通过解耦异常磨合和表示学习,构建了一个平衡的功能空间,节点之间的语义辨别性更强,同时可以解决数据分布失衡问题。在各种六个基准数据集上进行的实验表明 DSLAD 的有效性。
Apr, 2023
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
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
本文介绍了一种使用 BYOL 自我监督学习方法的异质图神经网络模型,通过对网络模型和元路径视角进行高层表达来解决异质图生成高质量对的困难问题,并在实际数据集上展示了良好的性能。
Jan, 2022
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