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
该研究提出了一种使用深度生成模型,Adversarial autoencoder (AAE) 和 variational autoencoder (VAE),来检测旨在检测不规则分布的群组异常。实验结果表明,该方法在检测实际数据集中的群体异常方面有高的准确性和鲁棒性。
Apr, 2018
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
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%。
Jun, 2023
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
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