针对图形异常检测中结构分布偏移的问题，本研究提出了一种名为图解构网络（GDN）的框架，通过限制异常特征的影响，同时从同质性中获益，来解决正常和异常节点之间的分类问题。在两个基准数据集上进行的广泛实验表明，该框架在异常检测中取得了显著的性能提升。

Jan, 2024

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

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

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

基于图的异常检测是图神经网络领域中一个重要的研究主题。本文引入了一个名为 “类同质性方差” 的新度量方法，量化了图异常检测中不同类之间的同质性分布差异。为了减轻其影响，我们提出一种新型图神经网络模型 —— 同质性边生成图神经网络 (HedGe)。HedGe 使用自注意机制从零开始采样同质性邻接矩阵，并利用特征空间中相关但在原始图中未直接连接的节点。此外，我们修改了损失函数，对模型生成不必要的异质性边进行惩罚。广泛的对比实验表明，HedGe 在多个基准数据集上实现了最佳性能，包括异常检测和无边节点分类。该模型还改善了对新型异质性攻击的鲁棒性，该攻击增加了其他图分类任务中的类同质性方差。

Mar, 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

采用拓扑数据分析方法，我们从动力系统时间序列的图形化表示中提取了有关其周期性和混沌特征的信息，并使用序数分区框架构建了两种图形。该方法提供了更准确的动态特性描述，并具有更强的噪声鲁棒性。

Apr, 2019

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

我们提出了一种有效的联邦图异常检测框架 (FGAD)，通过引入异常生成器来扰动正常图形，通过区分生成的异常图形和正常图形来训练强大的异常检测器。然后，我们利用一个学生模型从训练的异常检测器（教师模型）中提取知识，旨在保持本地模型的个性并减轻非独立同分布问题的不利影响。此外，我们设计了一个有效的协作学习机制，促进了本地模型的个性保存并显著降低了客户之间的通信成本。与最先进的基准线相比，在非独立同分布图上的图异常检测任务的实证结果表明了所提出的 FGAD 方法的优越性和效率。

Feb, 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