无监督图异常检测中的强化邻居选择
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
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
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
该论文提出了一种新的 Graph Neural Network 体系架构(RioGNN),通过使用增强、递归和灵活的邻域选择机制来处理复杂和多样化的边缘,并通过在不同关系之间筛选重要关系来提高效率和解释性。实验结果表明,该方法比其他比较方法更有效,更高效,并具有更好的模型解释性。
Apr, 2021
文章提出了一种新的基于深度学习与随机合成标签生成相结合的半监督异常检测方法 AnoRand,采用自编码器和噪声检测技术,生成一定比例的合成异常样本,并在合成和真实数据集上进行了实验,结果表明该方法优于大多数无监督和有监督算法。
May, 2023
使用基于学习的方法优化移动通信网络 (RAN) 在最近几年得到了越来越多的关注,本文提出了一个可扩展的框架,用于构建一个策略库,可以在大量具有不同流量模式的基站上进行 RAN 优化,并将异常检测技术应用于判断任务与策略库的兼容性,以高效地使用计算资源。
Dec, 2023
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
该论文提出了一个基于深度强化学习的方法来解决在只有有限的异常样本和大量无标注数据集的情况下进行异常检测的问题,该方法在自动交互式模拟环境中学习已知异常,并通过探索从而将学习到的异常扩展到未知异常,最终取得了比五种已有方法更好的实验效果。
Sep, 2020
本文介绍了一种新型入侵和异常检测方法 Anomal-E,它采用了基于 Graph Neural Networks 的自监督学习的方法,利用网络流量中的边部特征和拓扑结构来实现,同时取得了显著的改善。该方法是首次提出并取得实际成功的在无标签网络流量监测中采用 GNN 的方法。
Jul, 2022
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