缓解图异常检测中的结构分布偏移
机器学习
2024-01-26 v1 人工智能
摘要
图异常检测（GAD）是一个具有挑战性的二分类问题，因为异常节点与正常节点之间存在不同的结构分布——异常节点是少数，因此与正常节点相比，具有高异配性和低同配性。此外，由于各种时间因素和人类专家的标注偏好，异配性和同配性在训练和测试数据之间可能发生变化，本文称之为结构分布偏移（SDS）。主流方法基于图神经网络（GNNs），通过聚合同配邻居有利于正常节点的分类，但忽略了异常节点的SDS问题，导致泛化能力差。本文从特征视角解决该问题。我们观察到SDS的程度在异常节点和正常节点之间有所不同。因此，解决该问题的关键在于抵抗异常节点的高异配性，同时使正常节点从同配性中受益。我们梳理出异常特征，并对其进行约束以减轻异配邻居的影响，使其保持不变。我们将提出的框架称为图分解网络（GDN）。在两个基准数据集上进行了大量实验，所提出的框架在GAD中取得了显著的性能提升，尤其是在异常节点在训练和测试环境之间结构分布差异很大的SDS环境中。代码已在 https://github.com/blacksingular/wsdm_GDN 开源。
引用
@article{arxiv.2401.14155,
title = {Alleviating Structural Distribution Shift in Graph Anomaly Detection},
author = {Yuan Gao and Xiang Wang and Xiangnan He and Zhenguang Liu and Huamin Feng and Yongdong Zhang},
journal= {arXiv preprint arXiv:2401.14155},
year = {2024}
}
备注
Accepted to WSDM 2023