聚类感知的图异常检测
机器学习
2025-02-20 v2
摘要
图异常检测在各个领域引起了广泛关注，特别是在关键应用中，如电子商务平台的欺诈检测和网络安全的内部威胁检测。通常，这些数据由多种类型组成（例如，金融数据的用户信息和交易记录），因此表现出视图异质性。然而，在大数据时代，视图的异质性和标签信息的缺乏对传统方法构成了重大挑战。现有的无监督图异常检测方法通常难以处理高维问题，依赖于对图结构的强假设，或者无法处理复杂的多视图图。为了应对这些挑战，我们提出了一种聚类感知的多视图图异常检测方法，称为CARE。我们的方法通过使用伪标签（即软隶属度分配）增强图的邻接矩阵来捕获局部和全局节点亲和性，而无需对图做出任何强假设。为了减轻伪标签可能带来的偏差，我们引入了一个相似性引导的损失函数。理论上，我们证明了所提出的相似性引导损失是对比学习损失的一个变体，并且我们展示了该损失如何通过与图谱聚类的联系来减轻伪标签引入的偏差。在多个数据集上的实验结果证明了我们提出框架的有效性和效率。具体来说，CARE在Amazon数据集上的AUPRC比第二名竞争对手高出39%以上，在YelpChi数据集上的AUROC高出18.7%。我们方法的代码可在GitHub链接获取：https://github.com/zhenglecheng/CARE-demo。
引用
@article{arxiv.2409.09770,
title = {Cluster Aware Graph Anomaly Detection},
author = {Lecheng Zheng and John R. Birge and Haiyue Wu and Yifang Zhang and Jingrui He},
journal= {arXiv preprint arXiv:2409.09770},
year = {2025}
}
备注
Accepted by The Web Conference 2025