Jun, 2024

基于高阶结构的属性网络异常检测

PDF
TL;DR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。
anomaly detectionhigher-order network structuresattributed networksguidegraph attention layer
发现论文，激发创造
  • 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

  • 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

  • 基于图神经网络的多元时间序列异常检测

    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

  • 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

  • 探索高阶结构以实现鲁棒性图结构学习

    本文提出了一种新的对抗防御算法，该算法将高维图结构信息与图结构学习相结合，从特征平滑性的角度分析图的对抗攻击，并通过实验证明了其有效性。

    Mar, 2022

  • 提高图级异常检测的标准

    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

  • ADA-GAD: 图形异常检测的异常去噪自编码器

    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

  • AnomMAN: 多视图属性网络异常检测

    本文提出了一种基于图卷积的框架 ——AnomMAN，用于在多视角归属网络中检测异常。实验结果表明，AnomMAN 在现实世界数据集上表现比现有模型和两个我们提出的变种更好。

    Jan, 2022

  • 单纯闭包与高阶链接预测

    使用高阶交互作用模型，研究 19 个数据集的时空演化，证明高阶交互作用种类多样，同一系统类型的数据集具有一致的高阶结构模式，同时，密度与强度是高阶组织的竞争指标，并提出高阶链接预测作为模型和算法的基准问题，发现与传统的成对链接预测有根本区别。

    Feb, 2018