平衡边修剪用于带噪标签的图异常检测
机器学习
2026-01-19 v2 人工智能
摘要
图异常检测 (GAD) 在诸多领域广泛应用，如金融欺诈检测和社交垃圾信息检测。图中的异常节点不仅影响其所属社区，还在图结构中引发连锁反应。检测复杂图中的异常节点一直是具有挑战性的任务。虽然现有 GAD 方法假设所有标签均正确，但现实情境常涉及不准确的标注。这些带噪标签会严重降低 GAD 性能，因为异常节点属于少数类，即使少量误标实例也会显著干扰检测模型。切断边缘以缓解带噪标签的负面影响是一种好的选择；然而，这既有正面也有负面的影响，也存在弱监督问题。为了在带噪标签的情况下有效进行 GAD，我们提出了通过修剪候选节点可能带有错误标签的边缘来实现的 REinforced Graph Anomaly Detector (REGAD)。此外，我们设计了基于战略构建的自信标签来指导切断过程，以确保最佳结果。具体而言，REGAD 包含两个新颖组件。(i) 一个量身定制的策略网络，涉及逐步移除以逐步消除负面传播效应的两个步骤。(ii) 一种嵌入式策略机制，用于识别合适的边缘移除策略，这些策略控制图上噪声的传播并估计更新的结构以获得可靠的伪标签。实验表明，在不同的噪声比例下，REGAD 在三个真实数据集上均优于所有基线方法。
引用
@article{arxiv.2407.05934,
title = {Balanced Edge Pruning for Graph Anomaly Detection with Noisy Labels},
author = {Zhu Wang and Junnan Dong and Shuang Zhou and Chang Yang and Shengjie Zhao and Xiao Huang},
journal= {arXiv preprint arXiv:2407.05934},
year = {2026}
}