Oct, 2023

PREM：一种简单而有效的用于节点级图异常检测的方法

PDF
TL;DR通过 PREprocessing and Matching (PREM) 方法，我们简化了节点级图异常检测（GAD），减少了时间和内存消耗，并且在维持强大的异常检测能力方面取得了成功。
node-level graph anomaly detectionpreprocessing and matching (prem)efficiencyanomaly detection capabilitiescontrastive loss
发现论文，激发创造
  • ADA-GAD: 图形异常检测的异常去噪自编码器

    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

  • 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

  • 少样讯息增强对比学习用于图形异常检测

    FMGAD 是一种新颖的少样本图异常检测模型，利用自监督对比学习策略在视图内和视图间捕捉内在和可传递的结构表示，并借助深度图神经网络消息增强重构模块从根本上利用少样本标签信息并使其能够传播到更深的未标记节点，该模块进一步辅助自监督对比学习的训练。综合对六个真实世界数据集的实验结果表明，FMGAD 能够在人工注入异常或领域有机异常的情况下，实现比其他最先进方法更好的性能。

    Nov, 2023

  • 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

  • 基于正常学习的多尺度对比学习图异常检测

    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

  • 通过多尺度对比学习网络和增强视图进行图形异常检测

    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

  • 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

  • 邻域重构图异常检测

    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

  • 全局知识蒸馏的深度图层异常检测

    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

  • 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