双向课程学习用于图异常检测：聚焦于均质性与非均质性
机器学习
2025-01-27 v1 社会与信息网络
机器学习
摘要
图异常检测（GAD）旨在识别与正常模式显著不同的图中的节点。大多数先前研究均为模型驱动，侧重通过改进模型结构来提升检测效果。然而，这些方法常常对所有节点样样关照，忽略了不同节点对训练的不同贡献。因此，我们引入图课程学习作为一个简单且高效的即插即用模块，用于优化GAD方法。现有的图课程学习主要关注图的均质性，将具有高均质性的节点视为容易节点。事实上，GAD模型不仅能处理图的均质性，还能处理非均质性，这导致现有方法不适用。为此，我们提出一种创新的双向课程学习策略（BCL），在聚焦均质性和聚焦非均质性的方向上，分别将与邻居节点相似性更高和更低的节点视为容易节点，并优先训练它们。大量实验表明，BCL可以快速集成到现有检测流程中，并在七个常用数据集上显著提升十个GAD异常检测模型的性能。
引用
@article{arxiv.2501.14197,
title = {Bi-directional Curriculum Learning for Graph Anomaly Detection: Dual Focus on Homogeneity and Heterogeneity},
author = {Yitong Hao and Enbo He and Yue Zhang and Guisheng Yin},
journal= {arXiv preprint arXiv:2501.14197},
year = {2025}
}
备注
8pages, 5 figures