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
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
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
本文提出了一种新颖的图自编码器方法GAD-NR，它通过邻域重构来检测图的异常节点，相较于现有方法在克服聚类型结构异常检测的同时还能检测其他类型的异常，实验结果显示GAD-NR较现有竞争方法在真实世界数据集中的性能提升了多达30%。
Jun, 2023
我们提供了GADBench - 一个静态图中监督异常节点检测的全面基准测试。我们的主要发现是，使用简单邻域聚合的树集成优于所有其他基线，包括针对GAD任务量身定制的最新GNN。
我们提出了一种基于自举自我监督学习的新型统一图异常检测框架（称为BOURNE），旨在解决现有方法中节点和边异常检测被独立对待的问题，并通过交换节点和边的上下文嵌入并在嵌入空间中测量一致性来实现相互检测，此外，我们还采用了自举训练策略，以提高其处理大型图的效率。
Jul, 2023
针对图形异常检测中结构分布偏移的问题，本研究提出了一种名为图解构网络（GDN）的框架，通过限制异常特征的影响，同时从同质性中获益，来解决正常和异常节点之间的分类问题。在两个基准数据集上进行的广泛实验表明，该框架在异常检测中取得了显著的性能提升。
Jan, 2024
本文针对复杂网络中识别异常实例的图异常检测问题，从深度学习方法学、基准评估方法及超几何神经网络等三个方面展开研究，通过研究发现了改进节点级图异常检测方法的一般策略。
Mar, 2024
该综述报告全面而概念性地介绍了使用动态图进行异常检测的方法，重点关注基于图的异常检测技术及其在动态网络中的应用，总结了现有研究的优势、限制和未来挑战，以指导未来的研究工作和推动动态图中的异常检测技术进展。
May, 2024
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