Jul, 2024

HC-GLAD：双超边对比学习用于无监督图层次异常检测

PDF
TL;DR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。
unsupervised graph-level anomaly detectionhypergraphshyperbolic geometrynode group connectionsreal-world graph datasets
发现论文，激发创造
  • GLAD: 通过人机协同学习实现本地化异常检测

    本文提出了一种名为 GLAD 的新型人机协同学习算法，通过神经网络和人工标注反馈，支持全局异常探测器的本地化相关性自动学习和解释，该算法在合成和真实数据上取得了良好的效果。

    Oct, 2018

  • 通过多尺度对比学习网络和增强视图进行图形异常检测

    本文提出了一种多视图、多尺度对比学习框架，采用子图 - 子图对比提高子图嵌入的鲁棒性，并通过图增强方法提高检测性能。实验结果表明，该方法在图异常检测任务中具有优越性。

    Dec, 2022

  • 社交媒体分析中的群体异常检测 - 扩展摘要

    研究了基于个体点异常的传统社交媒体的异 常检测方法，提出了一种层次贝叶斯模型 —— 组潜在异常检测（GLAD）模型，可以自动推断组并同时检测组异常。将 GLAD 进一步推广到其动态扩展 d-GLAD，以识别潜在群体和检测异常。

    Oct, 2014

  • 统一无监督图级异常检测和样本外检测：一个基准

    构建安全可靠的图机器学习系统，无监督的图级异常检测和无监督的图级离群检测在近年来受到了重视。为了弥合这两个研究方向之间的鸿沟，我们提出了一个统一的基准，将图级异常检测和图级离群检测统一到广义图级离群检测的概念下，并提供了一个包含 35 个数据集的综合评估框架，为 16 种代表性的无监督图级异常和离群检测方法的比较提供了便利。我们进行了多维分析，探索现有方法的有效性、泛化能力、鲁棒性和效率，并基于我们的见解提供了开源代码库，以促进可重复性研究，并概述了未来研究的潜在方向。

    Jun, 2024

  • 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

  • 生成半监督图异常检测

    本研究提出了一种新颖的半监督场景下的图异常检测方法（GGAD），通过生成能够在本地结构和节点表示中模拟异常节点的异常节点，为训练具有区分性的单类分类器提供有效的负节点样本，从而更好地利用已知的正常节点。在四个真实世界数据集上进行了全面的实验，建立了半监督图异常检测方法的基准，并展示了 GGAD 在不同数量训练正常节点下大大优于最先进的无监督和半监督图异常检测方法。

    Feb, 2024

  • 基于拓扑模式增强的组级图异常检测：一种增强无监督方法

    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

  • 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

  • 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

  • GLAD：面向日志异常检测的内容感知动态图

    GLAD 是一个基于图的日志异常检测框架，结合日志语义、关系模式和顺序模式，能够有效地检测系统日志中的异常关系模式。

    Sep, 2023