一种用于无监督异常检测的图编码器-解码器网络
机器学习
2023-10-17 v2 人工智能
摘要
许多图神经网络（GNNs）的一个关键组件是池化操作，其旨在在保留重要结构信息的同时缩减图的规模。然而，大多数现有的图池化策略依赖于通过 GNN 层获得、具有可训练参数的分配矩阵，常导致显著的计算复杂度以及池化过程缺乏可解释性。本文中，我们提出一种无监督图编码器-解码器模型，通过学习异常评分函数依据异常程度对节点排序，从而从图中检测异常节点。在编码阶段，我们设计了一种名为 LCPool 的新型池化机制，其利用局部约束线性编码进行特征编码，通过求解带局部正则项的最小二乘优化问题来寻找聚类分配矩阵。通过在编码过程中施加局部约束，LCPool 不含可学习参数，能高效处理大图，并可在保留图最显著结构特征的同时有效生成更粗粒度的图表示。在解码阶段，我们提出一种称为 LCUnpool 的上池化操作，以重建原始图的结构与节点特征。我们在六个基准数据集上使用多种评估指标对方法进行实证评估，结果表明其优于最先进的异常检测方法。
引用
@article{arxiv.2308.07774,
title = {A Graph Encoder-Decoder Network for Unsupervised Anomaly Detection},
author = {Mahsa Mesgaran and A. Ben Hamza},
journal= {arXiv preprint arXiv:2308.07774},
year = {2023}
}