类别标签感知的图异常检测
机器学习
2023-08-24 v1
摘要
无监督GAD方法假设缺乏异常标签，即一个节点是否异常。我们从以往无监督方法中发现的一个共同现象是：它们不仅假设此类异常标签的缺失，还假设类别标签（通用节点分类任务中节点所属类别）的缺失。本工作中，我们研究类别标签对无监督GAD的效用；具体而言，它们如何增强结构异常的检测。为此，我们提出一种类别标签感知的图异常检测框架(CLAD)，其利用有限数量的标注节点来提升无监督GAD的性能。在十个数据集上的大量实验证明了CLAD相对于现有无监督GAD方法的优越性能，即便在缺乏真值类别标签信息的情况下亦然。CLAD的源代码见\url{https://github.com/jhkim611/CLAD}。
引用
@article{arxiv.2308.11669,
title = {Class Label-aware Graph Anomaly Detection},
author = {Junghoon Kim and Yeonjun In and Kanghoon Yoon and Junmo Lee and Chanyoung Park},
journal= {arXiv preprint arXiv:2308.11669},
year = {2023}
}
备注
CIKM 2023 (short paper)