本文提出了一种名为 GLAD 的新型人机协同学习算法，通过神经网络和人工标注反馈，支持全局异常探测器的本地化相关性自动学习和解释，该算法在合成和真实数据上取得了良好的效果。

Oct, 2018

提出了一种新的异常检测模型 MLAD，该模型通过语义关系推理跨越多个系统。实验证明了 MLAD 的优越性。

Jan, 2024

GLADformer 是一种多视角混合图级异常检测器，由 Graph Transformer 模块和 band-pass spectral GNN message passing 模块组成，能够有效地捕捉全局异常表征和频谱特征，在图级异常检测中优于现有的先进模型。

Jun, 2024

研究了基于个体点异常的传统社交媒体的异 常检测方法，提出了一种层次贝叶斯模型 —— 组潜在异常检测（GLAD）模型，可以自动推断组并同时检测组异常。将 GLAD 进一步推广到其动态扩展 d-GLAD，以识别潜在群体和检测异常。

Oct, 2014

自我解释的图异常检测模型 (SIGNET) 基于多视图子图信息瓶颈 (MSIB) 框架，能够同时检测异常图并生成有意义的解释，该模型在 16 个数据集上进行的实验验证了其异常检测能力和自我解释性。

Oct, 2023

构建安全可靠的图机器学习系统，无监督的图级异常检测和无监督的图级离群检测在近年来受到了重视。为了弥合这两个研究方向之间的鸿沟，我们提出了一个统一的基准，将图级异常检测和图级离群检测统一到广义图级离群检测的概念下，并提供了一个包含 35 个数据集的综合评估框架，为 16 种代表性的无监督图级异常和离群检测方法的比较提供了便利。我们进行了多维分析，探索现有方法的有效性、泛化能力、鲁棒性和效率，并基于我们的见解提供了开源代码库，以促进可重复性研究，并概述了未来研究的潜在方向。

Jun, 2024

提出了一种名为 Logs2Graphs 的基于图形的方法，使用图神经网络进行日志异常检测，在处理复杂数据集时大大优于现有的方法，而且能够为每个异常提供关键节点的小子集作为解释。

Jul, 2023

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

本文提出了一种名为 LogLG 的弱监督日志异常检测框架，旨在探索序列中关键词之间的语义关联，通过 end-to-end 迭代过程中从无标注的日志中提取关键词构建日志事件图并训练检测模型，实现对未标记日志数据的异常检测，与现有方法相比 LogLG 实现了显著的性能提升。

Aug, 2022

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