Jan, 2024

SCALA：基于稀疏化对比学习在属性网络上的异常检测

PDF
TL;DR基于属性网络的异常检测旨在找出与大多数节点行为明显不同的节点。为了解决现有研究中存在的问题，我们提出了一种新颖的对比学习框架 SCALA，旨在提高网络的嵌入质量，并通过引入稀疏化来为每个节点提供新的异常评分的度量方法。在五个实际基准数据集上进行了大量实验，结果表明，SCALA 在各项指标上明显优于所有基准方法。
anomaly detectionattributed networksinteraction patternshomophily assumptioncontrastive learning
发现论文，激发创造
  • 基于对比自监督学习的属性网络异常检测

    本文提出了一种利用 “对比自监督学习” 框架进行基于深度学习的异常检测的方法，该方法能够使用大量属性和复杂的结构高效检测到网络中存在的异常，并在七个基准数据集上超越目前最先进的方法。

    Feb, 2021

  • 增强重构的多视角对比学习用于带属性网络异常检测

    本研究提出了一种基于自监督学习的框架来更准确地检测带属性网络中的异常节点，其中结合了多视图对比学习模块和属性重构模块。实验表明该模型优于当前最先进的模型。

    May, 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

  • 属性图上的半监督异常检测

    本文提出一种在具有少量实例标签信息的属性图上检测异常实例的简单而有效的方法，该方法使用图卷积网络将节点嵌入到潜空间中，以捕获节点间的关系，然后通过最小化超球体的体积来训练节点嵌入算法以检测异常实例。该方法在五个真实世界的属性图数据集上的实验结果表明，该方法比各种现有的异常检测方法具有更好的性能。

    Feb, 2020

  • GraphSAC：大规模图中的异常检测

    引入了基于图采样和共识（GraphSAC）方法来有效检测大规模图中的异常节点，GraphSAC 随机抽取子集节点，通过半监督学习模块估计节点的标签分布，同时滤除由异常节点污染的集合，通过对不同的异常模型进行实验，GraphSAC 相对于现有的最先进的方法具有明显的优势。

    Oct, 2019

  • 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

  • 通过基于分数的生成模型进行网络异常检测

    本文提出了一种基于评分模型的方法来解决属性图中节点异常检测的问题，并在小规模图上取得了有竞争力的结果。对 Dirichlet 能量进行了实证分析，表明生成模型可能难以准确重构它。

    Jun, 2023

  • 解耦异常鉴别和表示学习：自监督学习用于属性图的异常检测

    本文提出了一种独特的算法 DSLAD，它是一种自监督方法，可将异常检测的异常磨合和表示学习分离。DSLAD 使用双线性池化和掩蔽自编码器作为异常磨合器。通过解耦异常磨合和表示学习，构建了一个平衡的功能空间，节点之间的语义辨别性更强，同时可以解决数据分布失衡问题。在各种六个基准数据集上进行的实验表明 DSLAD 的有效性。

    Apr, 2023

  • 基于高阶结构的属性网络异常检测

    我们提出了一种基于高阶结构的异常检测方法（GUIDE），利用属性自编码器和结构自编码器对节点属性和高阶结构进行重建，并通过图注意力层评估邻居节点对节点的重要性，最终利用节点属性和高阶结构重建误差来寻找异常。在五个真实数据集上进行了广泛的实验，实验结果表明，GUIDE 在 ROC-AUC、PR-AUC 和 Recall@K 等指标上明显优于现有方法。

    Jun, 2024

  • 可伸缩的属性邻域异常排名

    提出一种新的质量度量 normality，它利用结构和属性量化内部一致性和外部区分度，并用于构建实体社区的异常挖掘方法，能够有效检测异常节点并分析结构和属性之间的相关性。

    Jan, 2016