该论文提出一种基于自监督学习和转换学习的新型深度学习方法，显著改进了现有的深度单类方法，并在九个真实数据集上进行了实验，平均 AUC 性能提高了 11.8%。

May, 2022

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

本文综述了现代深度学习技术在图异常检测中的应用，编译了开放资源的实现、公共数据集和常用评估方法，重点强调了 12 个未解决和新兴的研究问题和现实世界的应用。

Jun, 2021

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

提出了一种使用深度学习和 graph neural networks 检测高维时间序列数据中的异常事件的方法，通过学习传感器间复杂关系的结构和注意力权重提供被检测异常事件的解释和根因分析，在真实世界传感器数据集实验中，该方法比基线方法更准确地捕获传感器间关联并检测到异常事件。

Jun, 2021

本文提出了一种基于图神经网络的异常检测方法 LUNAR，通过融合信息传递框架和可学习参数，使该方法能够适应特定数据集并且表现更为优异。

Dec, 2021

基于多重表示空间分离的图级异常感知检测框架，通过考虑节点级和图级异常的不同重要性，设计了异常感知模块来学习它们之间的特定权重，并通过四种加权图表示（正常锚点图、异常锚点图、训练正常图、训练异常图）严格分隔正常和异常图像空间，根据测试图像与正常和异常图像空间的图像表示之间的距离误差，准确判断测试图像是否异常。在十个公共图形数据集上广泛评估了我们的方法，结果表明其有效性。

Jul, 2023

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

本文综述了最新的用于检测以图形表示的数据中异常值的方法和算法，包括在不同场景下的无监督和（半）监督方法，以及针对属性和普通图的静态和动态图。作者强调了异常归因的重要性，并介绍了根据检测到的异常挖掘其根本原因的技术。除此之外，作者还列举了金融、拍卖、计算机流量和社交网络等领域中基于图形的异常检测的若干真实应用，并讨论了该领域的理论和实践挑战。

Apr, 2014

本文提出了一种新的图序列建模和分析框架，用于检测和上下文化标记、流图数据中的异常。该框架通过增加对社区结构的灵活性来推广 Seshadhri 等人的 BTER 模型，并利用该模型进行多尺度图形异常检测。具体来说，通过在更细的级别上聚合概率来构建描述粗略子图的概率模型，并使用这些紧密相关的分层模型同时检测与期望偏差。本文的方法在标记设置中的社区结构、合成数据集和现实世界数据集上，从节点、子图和图形水平准确地检测异常。

Oct, 2014