Jul, 2024

图形异常检测的去噪扩充反事实数据

PDF
TL;DR通过引入图指针神经网络作为异质节点检测器，将一部分异常节点的邻居转化为异常节点，并将这些转化后的邻居与原始异常节点进行邻域聚合，从而提高异常节点的区分度和检测性能。
graph neural networksanomaly detectioncagadcounterfactual data augmentationgraph-specific diffusion model
发现论文，激发创造
  • 通过数据增强提高图形异常检测模型的泛化性能

    提出了用于解决图异常检测中普适性问题的数据增强方法，并验证了其提高 GAD 模型通用性的有效性。

    Sep, 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

  • 通过数据增强提高图形异常检测模型的泛化能力

    本文提出了一种基于数据增强的半监督学习方法 AugAN，用于解决现有半监督图异常检测方法的泛化问题，并进一步提高模型的泛化能力，从而有效检测训练和测试数据中存在的异常。

    Jun, 2023

  • 基于图反事实方法的图神经网络公平性改进

    本研究提出了一种基于因果理论的框架，即 CAF，用于解决图学习中的公平性问题，通过选择训练数据中的反事实因素来学习公平的节点表示，以避免非现实反事实因素，并在合成和真实数据集上进行了广泛的实验验证其有效性。

    Jul, 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

  • 保护图神经网络的无监督图异常检测

    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

  • 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

  • 推荐系统的图增强

    提出了一种名为 GraphAug 的原则性框架，该框架引入了一个强大的数据增强器，生成去噪的自监督信号，增强推荐系统的性能。该框架通过自适应地调整对比视图生成，自动地提炼信息丰富的自监督信息。通过对真实数据集的严格实验评估，得出 GraphAug 模型相对于现有基线方法的卓越性能。

    Mar, 2024

  • 全局知识蒸馏的深度图层异常检测

    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

  • 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