基于对比自监督学习的属性网络异常检测

属性网络上的异常检测因属性网络在建模广泛复杂系统中的广泛应用而引起了相当多的研究兴趣。近来，基于深度学习的异常检测方法相比浅层方法展现出有前景的结果，尤其是在具有高维属性和复杂结构的网络上。然而，现有采用图自编码器作为骨干的方法并未充分利用网络的丰富信息，导致次优性能。此外，这些方法在其学习目标中并未直接针对异常检测，并且由于全图训练机制而无法扩展到大型网络。为克服这些局限，本文提出了一种用于属性网络异常检测的新型对比自监督学习框架。我们的框架通过采样一种新型对比实例对，充分挖掘网络数据的局部信息，该实例对能以无监督方式捕获每个节点与其邻域子结构之间的关系。同时，提出了一种精心设计的基于图神经网络的对比学习模型，从高维属性和局部结构中学习信息丰富的嵌入，并以其输出的分数衡量每个实例对的一致性。对比学习模型的多轮预测分数进一步通过统计估计用于评估每个节点的异常程度。以此方式，学习模型由特定的异常检测感知目标训练。此外，由于图神经网络模块的输入是成批的实例对而非全网络，我们的框架可灵活适应大型网络。实验结果表明，我们提出的框架在所有七个基准数据集上均优于当前最优的基线方法。