基于深度学习的图异常检测全面综述

异常是指显著偏离其他观测的稀有观测（例如数据记录或事件）。几十年来，由于这些发生在广泛学科中的含义，异常挖掘研究受到了越来越多的关注。旨在识别稀有观测的异常检测是世界上最重要的任务之一，并已在预防有害事件（如金融欺诈、网络入侵和社交垃圾信息）中展现出其威力。该检测任务通常通过在特征空间中识别离群数据点来解决，并固有地忽略了真实世界数据中的关系信息。图已被普遍用于表示结构信息，这引发了图异常检测问题——在单个图中识别异常图对象（即节点、边和子图），或在图数据库/图集合中识别异常图。然而，由于图数据的复杂性，传统的异常检测技术不能很好地解决该问题。随着深度学习的出现，基于深度学习的图异常检测近年来受到越来越多的关注。在本综述中，我们旨在对当代深度学习图异常检测技术进行系统而全面的回顾。我们整理了开源实现、公共数据集和常用评估指标，为未来研究提供丰富资源。更重要的是，我们根据综述结果强调了十二个广泛的未来研究方向，涵盖未解决和新兴的研究问题以及真实世界应用。通过本综述，我们的目标是创建一个“一站式”平台，为使用深度学习进行图异常检测提供对问题类别和现有方法的统一理解、公开可用的实操资源以及高影响的开放挑战。