- 提升无监督图异常检测的公平性通过解耦
图异常检测(GAD)在各种应用领域中变得越来越重要,从金融欺诈检测到假新闻检测。然而,目前的 GAD 方法很大程度上忽视了公平性问题,这可能导致偏向某些基于敏感属性(如性别、宗教、种族等)定义的人群的歧视性决策。为了解决这一关键问题,我们首 - 节点级图异常检测的三个重访:异常值、消息传递和双曲神经网络
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。
- FGAD: 自助强化知识蒸馏的有效联邦图异常检测框架
我们提出了一种有效的联邦图异常检测框架 (FGAD),通过引入异常生成器来扰动正常图形,通过区分生成的异常图形和正常图形来训练强大的异常检测器。然后,我们利用一个学生模型从训练的异常检测器(教师模型)中提取知识,旨在保持本地模型的个性并减轻 - 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 - WSDM缓解图异常检测中的结构分布偏移
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 - 图异常检测的多任务主动学习
在网络时代,图机器学习已经广泛应用于普遍存在的图结构数据中。本研究提出了一种名为 MITIGATE 的新型多任务主动图异常检测框架,通过耦合节点分类任务,增加了检测未知异常节点的能力,并通过置信度差异量化节点的信息量,采用掩码聚合机制提高了 - AAAIADA-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。
- 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 - 正常结构正则化的开放集图异常检测
该研究提出了一种名为正常结构规范化的新型开放式图异常检测方法,通过利用标记节点中嵌入的丰富正常图结构来解决与欧几里德数据处理相关的问题,同时改善现有方法在检测未见异常方面的泛化性能。
- MM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)。
- 基于元路径的深度半监督异常检测
介绍了一种基于元路径的半监督学习方法的新颖方法,通过在编码器和解码器中利用 GCN 层来高效传播异常和正常节点之间的上下文信息,从而克服了先前方法的局限性,并通过在七个真实网络上进行的一系列实验,证明了该方法相对于最先进技术的优越性。这项研 - 异构时态 MMMA 图上的众包欺诈检测
利用多功能消息手机应用程序(MMMA)进行点击农场业务的崛起引诱网络犯罪分子犯下众包欺诈行为,从而给点击农场工人带来经济损失。本文提出了一种名为 CMT 的新型对比多视图学习方法,用于检测 MMMA 的异构时态图(HTG)上的众包欺诈行为。 - 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。
- BOURNE: 自助式自监督学习框架用于统一图异常检测
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 - 基于随机游走的异常检测的双重空间攻击
基于随机游走的异常检测(RWAD)常用于在各种应用中识别异常模式。本文通过设计实用的双空间攻击,研究了图空间和特征空间攻击之间的相互作用,并提出了解决图空间攻击的两种策略:交替迭代攻击(alterI-attack)和利用随机游走模型的闭合解 - GADBench: 重温并比较监督式图异常检测
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。
- 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。
- 邻域重构图异常检测
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%。
- 截断亲和力最大化:基于单类同质性建模的图异常检测
本文通过探索现实世界中图异常检测(GAD)数据集中的一类同态性质,引入了一种新颖的无监督异常评分度量 —— 本地节点亲和力,它将更少地与邻居关联的节点分配更大的异常评分,并提出了针对我们异常度量的定制节点表示方法 TAM,通过最大化节点对其 - MetaGAD:学习元传递以进行少量样本图形异常检测
本文研究了一种新的少样本图异常检测方法 MetaGAD,通过学习元知识来转移未标注节点和标注节点之间的信息以检测带有有限标注标记的异常。在六个真实世界的数据集上进行实验,证明该方法在少量标注样本中检测出异常。