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

研究使用仅针对正常图形进行训练的机器学习模型检测异常图形的问题，该问题在分子、生物学和社交网络数据分析等领域具有许多应用。通过使用联合训练生成的伪异常图形以及给定的正常图形来学习鉴别器（分类器），本论文提出了一种自我区分建模框架用于检测异常图形，该框架提供了三种算法，能够在几个流行的图形数据集上显著提高 AUC 的性能。此外，研究还针对大规模不平衡的图形数据集进行了调查，并发现即使是完全无监督的算法也能显著优于有监督学习算法进行异常图形检测，同时分析了对应的原因。

Oct, 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

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

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

使用学生 - 老师框架，通过深度学习方法实现无监督异常检测和像素级别的异常分割，并在多个实验数据集上展示了显著的改进效果。

Nov, 2019

本研究提出了一种使用学生 - 教师框架的、简单而强大的异常检测方法，该方法实现了对异常的像素级别准确和快速检测，其结果优于现有技术。

Mar, 2021

本篇综述介绍了基于图神经网络的图形异常检测的最新进展，将这些方法总结为基于图形类型、异常类型和网络结构，并得出这是第一个基于 GNN 的综合检测图形异常方法的综述。

Sep, 2022

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

本文综述了最新的用于检测以图形表示的数据中异常值的方法和算法，包括在不同场景下的无监督和（半）监督方法，以及针对属性和普通图的静态和动态图。作者强调了异常归因的重要性，并介绍了根据检测到的异常挖掘其根本原因的技术。除此之外，作者还列举了金融、拍卖、计算机流量和社交网络等领域中基于图形的异常检测的若干真实应用，并讨论了该领域的理论和实践挑战。

Apr, 2014