BOND：静态属性图上无监督离群节点检测的基准测试
机器学习
2022-10-18 v2 社会与信息网络
摘要
检测图中哪些节点为离群点是近年来兴起的具有众多应用的机器学习任务。尽管近年来为此任务开发的算法大量涌现，但一直缺乏标准的综合性能评估设置。因此，难以在广泛设置下理解哪些方法有效以及何时有效。为弥补这一空白，我们提出了——据我们所知——首个用于静态属性图上无监督离群节点检测的综合基准 BOND，其亮点如下。（1）我们对从经典矩阵分解到最新图神经网络的 14 种方法的离群检测性能进行了基准测试。（2）利用九个真实数据集，我们的基准评估了不同检测方法对两类主要合成离群点以及分别针对“天然”（真实非合成）离群点的响应。（3）利用已有的随机图生成技术，我们生成了一系列不同图大小的合成数据集，从而能够比较不同离群检测算法的运行时间与内存占用。基于实验结果，我们讨论了现有图离群检测算法的优劣，并指出了未来研究的机遇。重要的是，我们的代码免费可用且易于扩展：https://github.com/pygod-team/pygod/tree/main/benchmark
引用
@article{arxiv.2206.10071,
title = {BOND: Benchmarking Unsupervised Outlier Node Detection on Static Attributed Graphs},
author = {Kay Liu and Yingtong Dou and Yue Zhao and Xueying Ding and Xiyang Hu and Ruitong Zhang and Kaize Ding and Canyu Chen and Hao Peng and Kai Shu and Lichao Sun and Jundong Li and George H. Chen and Zhihao Jia and Philip S. Yu},
journal= {arXiv preprint arXiv:2206.10071},
year = {2022}
}
备注
NeurIPS 2022. Benchmark available at https://github.com/pygod-team/pygod/tree/main/benchmark