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

GLAD 是一个基于图的日志异常检测框架，结合日志语义、关系模式和顺序模式，能够有效地检测系统日志中的异常关系模式。

Sep, 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

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

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

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

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

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

无监督图层级异常检测方法中，本文提出了一种新颖的双双曲对比学习方法（HC-GLAD），通过构建基于 gold motifs 的超图，并在双曲空间中进行图和超图嵌入学习，实现了对节点组连接、超图以及真实世界图层次的保留，并在多个真实世界数据集上进行了广泛实验，证明了 HC-GLAD 在图层级异常检测任务中的优越性。

Jul, 2024