基于卡方小波的异构图异常检测
机器学习
2025-05-27 v1 人工智能
信息检索
社会与信息网络
摘要
异构网络中的图异常检测（GAD）因节点和边的异质性呈现独特挑战。现有的图神经网络（GNN）方法主要关注均质 GAD，因而无法解决三个关键问题：（C1）捕获跨 diverse meta-paths 的异常信号和丰富语义；（C2）在 HIN 维度对齐时保留高频内容；（C3）针对类别不平衡的困难异常样本进行有效学习。为此，我们提出了 ChiGAD，一个基于新颖卡方滤波器的谱 GNN 框架，灵感来自小波在多个领域的有效性。具体而言，ChiGAD 包括：（1）多图卡方滤波器，通过对每个 meta-path 图应用专用的卡方滤波器来捕获异常信息；（2）交互式 meta-图卷积，通过统一的卡方滤波器对齐特征的同时保留高频信息，并通过异构消息传递；（3）以贡献为导向的交叉熵损失，以优先处理困难异常以解决类别不平衡。广泛的实验表明，ChiGAD 在多个指标上超过了最新的模型。在七个 GAD 数据集上，ChiGAD 的均质变体 ChiGNN 也表现出色，验证了卡方滤波器的有效性。我们的代码可在 https://github.com/HsipingLi/ChiGAD 查阅。
引用
@article{arxiv.2505.18934,
title = {Chi-Square Wavelet Graph Neural Networks for Heterogeneous Graph Anomaly Detection},
author = {Xiping Li and Xiangyu Dong and Xingyi Zhang and Kun Xie and Yuanhao Feng and Bo Wang and Guilin Li and Wuxiong Zeng and Xiujun Shu and Sibo Wang},
journal= {arXiv preprint arXiv:2505.18934},
year = {2025}
}