Aug, 2023

基于元路径的深度半监督异常检测

PDF
TL;DR介绍了一种基于元路径的半监督学习方法的新颖方法，通过在编码器和解码器中利用 GCN 层来高效传播异常和正常节点之间的上下文信息，从而克服了先前方法的局限性，并通过在七个真实网络上进行的一系列实验，证明了该方法相对于最先进技术的优越性。这项研究的有希望的结果为未来的研究铺平了道路，重点是优化和分析元路径模式，进一步提高属性网络上的异常检测的有效性。
graph anomaly detectionmetapath-based semi-supervised learninganomaly communitygcn layersattributed networks
发现论文，激发创造
  • SAD：动态图形半监督异常检测

    本文提出了一种半监督异常检测（SAD）的框架来处理动态图数据，并将时间内存库和伪标签对比学习模块相结合，充分利用未标记样本，可以有效地发现和检测动态图数据中的异常，即使只有少量标记数据也能优于现有先进方法

    May, 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

  • MetaGAD：学习元传递以进行少量样本图形异常检测

    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。

    May, 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

  • 基于知识图谱嵌入模型的上下文依赖异常检测

    该研究利用上下文感知来提高机器学习模型的语义理解和上下文意识，提出了将依赖上下文的异常检测问题转化为链路预测问题的框架，并通过知识图谱嵌入模型实现系统，展示了该方法能够高度准确地检测出依赖上下文的异常。

    Mar, 2022

  • 基于双图的关注多模学习的微服务系统异常检测

    本论文提出了一种基于图的半监督异常检测方法 ——MSTGAD，通过关注多模态学习，无缝地集成所有可用的数据模态，以实现对微服务系统中的异常进行实时自动准确检测。

    Oct, 2023

  • 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

  • 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

  • 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

  • 深度半监督异常检测

    本研究提出新型的半监督深度异常检测方法 Deep SAD，并基于信息论框架建立起来的理论解释。该方法在 MNIST、Fashion-MNIST 和 CIFAR-10 数据集上均取得了令人满意的性能提升。

    Jun, 2019