AC2L-GAD：用于图异常检测的主动反事实对比学习
机器学习
2026-01-30 v1 人工智能
摘要
图异常检测旨在识别网络中的异常模式，但面临标签稀缺和极端类别不平衡的严峻挑战。虽然图对比学习提供了一种有前景的无监督解决方案，但现有方法存在两个关键局限：随机增强破坏了正样本对中的语义一致性，而朴素负样本采样产生了平凡且无信息性的对比。我们提出了 AC2L-GAD，一个主动反事实对比学习框架，通过原则性的反事实推理解决了这两个局限。通过结合信息论主动选择与反事实生成，我们的方法识别结构复杂节点并生成保持异常的阳性增强 alongside 正常阴性对照，提供困难对比，同时将昂贵的反事实生成限制在策略性选择的子集上。该设计将计算开销相比全图反事实生成减少了约 65%，同时保持了检测质量。在九个基准数据集上的实验，包括来自 GADBench 的真实金融交易图，表明 AC2L-GAD 达到了与最先进基线相比具有竞争力或更优的性能，在异常表现出复杂属性-结构交互的数据集中尤为显著。
引用
@article{arxiv.2601.21171,
title = {AC2L-GAD: Active Counterfactual Contrastive Learning for Graph Anomaly Detection},
author = {Kamal Berahmand and Saman Forouzandeh and Mehrnoush Mohammadi and Parham Moradi and Mahdi Jalili},
journal= {arXiv preprint arXiv:2601.21171},
year = {2026}
}