ADA-GAD：用于图异常检测的异常去噪自编码器
机器学习
2023-12-25 v1 人工智能
社会与信息网络
摘要
图异常检测对于识别图中偏离常规行为的节点至关重要，有利于欺诈检测和社交网络等各种领域。尽管现有的基于重构的方法已取得相当大的成功，但它们可能面临由图中异常模式引起的\textit{异常过拟合}（Anomaly Overfitting）和\textit{同质性陷阱}（Homophily Trap）问题，打破了正常节点通常比异常节点重构得更好的假设。我们的观察表明，在异常较少的图上训练的模型表现出更高的检测性能。基于这一见解，我们引入了一种名为“用于图异常检测的异常去噪自编码器”（ADA-GAD）的新型两阶段框架。在第一阶段，我们设计了一种无学习的异常去噪增强方法，以生成异常水平降低的图。我们在这些不同增强水平的图上预训练图自编码器，使图自编码器能够捕捉正常模式。在下一阶段，解码器在原始图上重新训练以进行检测，受益于前一阶段学到的多级表示。同时，我们提出了节点异常分布正则化，以进一步缓解\textit{异常过拟合}。我们通过大量合成和真实世界数据集的实验验证了我们方法的有效性。
引用
@article{arxiv.2312.14535,
title = {ADA-GAD: Anomaly-Denoised Autoencoders for Graph Anomaly Detection},
author = {Junwei He and Qianqian Xu and Yangbangyan Jiang and Zitai Wang and Qingming Huang},
journal= {arXiv preprint arXiv:2312.14535},
year = {2023}
}
备注
Accepted to AAAI-2024