图异常检测的多任务主动学习

Jan, 2024

Multitask Active Learning for Graph Anomaly Detection

Wenjing Chang, Kay Liu, Kaize Ding, Philip S. Yu, Jianjun Yu

TL;DR在网络时代，图机器学习已经广泛应用于普遍存在的图结构数据中。本研究提出了一种名为 MITIGATE 的新型多任务主动图异常检测框架，通过耦合节点分类任务，增加了检测未知异常节点的能力，并通过置信度差异量化节点的信息量，采用掩码聚合机制提高了选择与已知模式远离的代表性节点的可能性，在四个数据集上的实验证明了 MITIGATE 在异常检测方面明显优于现有方法。

Abstract

In the web era, graph machine learning has been widely used on ubiquitous graph-structured data. As a pivotal component for bolstering web security and enhancing the robustness of graph-based applications, the significance of graph anomaly detection is continually increasing. While

graph machine learning graph anomaly detection graph neural networks multitask active graph anomaly detection mitigate

发现论文，激发创造

基于双图的关注多模学习的微服务系统异常检测

本论文提出了一种基于图的半监督异常检测方法 ——MSTGAD，通过关注多模态学习，无缝地集成所有可用的数据模态，以实现对微服务系统中的异常进行实时自动准确检测。

Oct, 2023

GraphGuard：图神经网络中检测和对抗训练数据滥用

GraphGuard 是一个无需训练数据的方法，通过使用具有电离辐射特性的数据进行成员推断，提高成员和非成员数据分布的可区分性，从而在不依赖原始数据的情况下检测并通过有针对性的遗忘来减轻图数据滥用的影响。

Dec, 2023

减轻恶劣环境带来的图主动学习的语义混淆

通过引入节点的语义特征的两两相似性和不相似性共同评估节点影响力，设计了新的基于原型的标准和查询策略，以解决图形主动学习中的语义混淆问题，并通过实验验证了该框架的有效性。

Aug, 2023

建模和减轻图神经网络的数据偏差

该论文提出了利用 EDITS 框架通过减少有偏数据来减轻 GNN 模型的偏见，以实现更公平的结果。在新提出的度量指标的引导下，EDITS 可以以模型无关的方式优化输入数据，从而解决针对不同应用场景中不同 GNN 模型的偏差问题，并且不会降低 GNN 模型的性能。

Aug, 2021

图神经网络中的任务和模型无关的对抗攻击

本文研究了对图神经网络（GNN）进行对抗攻击（Adversarial attacks）的问题，并提出了一种名为 TANDIS（Targeted Attack via Neighborhood DIStortion）的算法，它通过扭曲节点邻域来极大地破坏了预测性能。经过实验验证，TANDIS 算法具有高效性和有效性。

Dec, 2021

基于异构图的智能电网故障事件诊断的多任务学习

本研究提出了一种异构多任务学习图神经网络（MTL-GNN），用于检测、定位和分类故障，同时提供故障电阻和电流的估计。使用图神经网络（GNN）学习配电系统的拓扑表示和特征学习，以及一种基于 GNN 的新颖可解释性方法以确定配电系统中的关键节点，从而实现知情稀疏测量。数值测试验证了该模型在所有任务上的性能。

Sep, 2023

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

MetaGAD：学习元传递以进行少量样本图形异常检测

本文研究了一种新的少样本图异常检测方法 MetaGAD，通过学习元知识来转移未标注节点和标注节点之间的信息以检测带有有限标注标记的异常。在六个真实世界的数据集上进行实验，证明该方法在少量标注样本中检测出异常。

May, 2023

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

MGADN：用于多元时间序列的多任务图形异常检测网络

研究了多变量时序数据的异常检测问题，提出了一种使用 GAT 和 LSTM 深度学习模型的方法，通过多任务优化算法来同时实现时间戳和传感器之间的关系建模、精准的异常检测和重构。

Nov, 2022